随着大数据技术的快速发展,数据维度呈指数增长,这些数据往往会增加存储负担,因此对这些数据进行预处理将变得更加迫切。特征选择主要通过恰当的搜索策略剔除不相关或冗余特征。算法训练和分类的时间会随着维数的增加而增加,从机器学习角度来看,特征选择能够降低计算复杂度,减少计算时间。Fisher Score作为数据降维的一种重要的预处理方法,已经被广泛用于特征选择过程中。传统的特征选择方法往往存在着仅凭经验来手动确定参数、未考虑数据中类不平衡分布以及度量特征不确定方法过于单一等问题。粒计算理论在大规模不确定性数据、复杂高维数据和非平衡数据的特征选择上发挥着非常重要的作用。为了解决这些问题,运用机器学习模型及算法对复杂、高维、非平衡数据进行预处理,基于粒计算理论研究自适应邻域粒和自适应加权K近邻模型,进而设计基于Fisher Score和自适应邻域的特征选择方法,通过对比实验验证了所提算法的有效性。本文的主要研究内容包括两个方面:（1）为了解决传统邻域粗糙集模型中构造的邻域不能自适应数据分布、邻域粗糙集模型中没有结合实际情况仅凭经验指定邻域半径、以及度量特征重要度过于单一等问题,提出了一种基于Fisher Score和自适应邻域粗糙集的特征选择方法。首先,在邻域决策系统中,定义了样本的变异系数,基于此设计了特征的Fisher Score计算公式,构建了新的Fisher Score降维算法;其次,将决策类下特征变异系数引入邻域粗糙集模型中,定义了自适应邻域粒,解决邻域粒存在的误分类问题,由此构造下、上近似集及其自适应邻域粗糙集模型,结合自适应邻域模型中的依赖度、邻域知识粒度和平均邻域熵,提出了结合信息论观点和代数观点的混合度量;然后,指定邻域半径取值区间,结合约简子集平均相关度、分类精度和约简率计算自适应邻域半径函数,选出最优邻域半径,提出一种基于Fisher Score和自适应邻域粗糙集的启发式特征选择算法;最后,将该算法应用于14个公共数据集的特征选择研究,实验结果与分析验证了该算法的有效性。（2）为了解决传统特征选择算法未考虑数据中类不平衡分布,以及特征选择过程中往往需要手动确定参数等问题,提出了一种基于Fisher Score和自适应加权K近邻的非平衡数据特征选择方法。首先,定义样本间的相似性度量计算样本簇间相似性,构建了新的层次聚类算法,通过混合采样模型建立平衡决策系统,使用基于变异系数改进的Fisher Score算法进行初步降维;其次,根据改进的对称不确定性计算特征间相似性,自适应选择每个特征的K近邻,定义了特征间权重,提出了自适应加权K近邻,结合每个特征的自适应加权K近邻,计算每个特征的自适应加权K近邻密度进行特征聚类;然后,将改进的对称不确定性和特征的加权平均冗余度相结合,提出了基于对称不确定性的最大相关最小冗余策略,进而设计了一种结合Fisher Score降维的非平衡数据特征选择算法;最后,对29个不平衡数据集的实验结果分析表明,所设计的算法能够有效地提高数据的分类性能。