随着信息技术的飞速发展,数据信息的高维化给数据挖掘和机器学习等领域带来了新的机遇和挑战。为了从海量的信息中提取出有益于学习任务的知识,研究人员提出了数据降维技术。该技术可以将高维数据映射到低维的数据空间,避免了“维度灾难”的问题,缓解了数据量大不利于学习的现状。Relief是一种有效的有监督过滤式特征选择算法。该算法通过计算样本与其同类近邻和异类近邻的距离差来估计每个特征的权重。权重越大,则表示相应的特征对类别的判别能力越强。目前,Relief算法已经被推广到半监督领域,但是已有的基于Relief的半监督算法不能处理多分类问题。为此,本文深入研究基于-Relief的半监督特征选择算法,并为多分类问题提供解决方案。主要的工作总结如下:提出了面向多类的Relief半监督特征选择算法,即MSLIR。鉴于已有的Relief半监督方法不适合于多分类问题,本文为多分类问题设计了无标签数据间隔向量的计算方案,从而提出了 MSLIR算法。通过给无标签样本定义临时标签,并计算在该临时标签下的间隔向量以及间隔向量与权重向量的内积,取内积最大时的间隔向量作为无标签样本最终的间隔向量。利用有标签与无标签的间隔向量来优化目标函数,得出特征权重。实验结果验证了所提方法在多分类数据集上的有效性。提出了基于最近邻的Relief半监督特征选择方法,即MSLIR-NN。鉴于MSLIR具有复杂度较高以及无标签数据标签预测率不高的问题,本文提出了 MSLIR-NN算法。根据有标签样本的标签信息,使用最近邻分类器来预测无标签数据的标签,然后计算无标签数据的间隔向量。综合有标签与无标签的间隔向量来优化目标函数,从而获得特征权重。实验结果证实了该算法能够改善无标签数据的预测准确率。提出了基于局部保持的Relief半监督特征选择算法,即LPLIR。针对已有基于Relief的半监督特征选择方法不具有保持数据局部结构的能力,本文通过加入拉普拉斯正则项,提出了 LPLIR算法。该算法能够保证在原始特征空间的数据和在加权特征空间的数据具有相同的局部结构。大量的实验结果证实了该算法优于现有的半监督特征选择方法。