特征选择是模式识别技术的关键技术环节之一。特征选择按照和后续分类算法的结合方式可分为嵌入式、过滤式和封装式。本文主要研究了单变量的过滤式特征选择算法。本文首先引用了M.Dash和H.Liu提出的特征选择框架,这个框架指出一个特征选择算法是由“特征子集生成”、“特征子集评价”、“停止条件”和“结果验证”四个部分组成的。基于这个框架,本文总结归纳了常用特征选择算法的搜索策略和评价准则,并介绍了一些常用的特征选择算法,同时分析了选择合适的特征选择算法所需要考虑的因素。由于模式识别、机器学习等问题的复杂性比较高,数据分布通常呈现多模态分布。基于这个假设,本文提出了一个基于原型方法的特征排序模型。该模型选择同原型内样本距离小的特征。并结合半监督学习问题的具体情况,提出了适用于半监督特征选择问题的Intra-Prototype Inter-Class Sepearability Ration (IPICSR)模型及其特征选择算法IPICSR_FS。试验结果表明基于原型方法的IPICSR_FS算法选择的特征有较强的鉴别能力,算法的鲁棒性好。试验取得较好的结果。针对全监督特征选择问题的具体情况,在基于原型方法的思想指导下,本文详细分析了IPICSR模型,并提出了用于解决全监督特征选择问题的Intra-Prototype Class Margin Sepearability Ration (IPCMSR)模型及其特征选择算法。试验结果显示IPCMSR_FS选择特征的能力明显比其它四个特征选择算法要好。