数据挖掘是目前国际上数据库和信息决策领域最前沿的研究方向之一。由于高维数据日益成为主流，在实际应用中经常会遇到高维数据的情况，对高维数据挖掘的研究有着越来越重要的意义。但高维数据本身独有的一些特点，使得高维数据挖掘变的非常困难，因此必须采用一些特殊的方法进行研究处理。 本文从数据挖掘的概念及高维数据的特点入手，围绕着“面向高维数据挖掘的特征选择方法”这一核心思想，探讨了分别应用于文本数据和基因表达数据的特征选择方法。 针对文本数据，采用词的quality标准进行特征选择及降维，同时在稀疏向量筛除、基于密度及散布的初始中心点搜索等方法进行改进，提出了一种面向文本聚类的改进的K均值算法。通过采用20NewsGroup数据集进行实验，结果表明，改进后的算法无论在聚类精度还是在稳定性方面，都明显优于标准的K均值算法。 对于基因表达数据，提出了一种新的面向基因表达高维数据的特征选择方法，特征子集的搜索采用遗传算法进行随机搜索，特征子集的评价采用基于边界点可分性度量作为评价指标及适应度函数。实验表明，该算法可有效的找出具有较好的可分离性的特征子集，从而实现降维并提高分类精度。在此研究的基础上，又提出一种综合了filter及wapper模型的特征选择方法，首先基于特征之间的信息增益进行特征分组及筛选，然后针对经过筛选而精简的特征子集采用遗传算法进行随机搜索，并采用感知器模型的分类错误率作为评价指标。实验表明，该算法可有效的找出具有较好的线性可分离性的特征子集，从而实现降维并提高分类精度。