特征选择作为高维数据降维的有效方法,已被广泛应用在文本分类、信息检索、遗传基因分析等领域。现有的大多数特征选择算法都是基于有标记样本或无标记样本的。然而,除了类标记,还存在另一种监督信息,即标识样本对是否属于同一类的成对约束。成对约束作为一种新颖的监督信息,由于其比类标记更易获取,已在机器学习的很多方面得到了成功应用。因此,本文首先针对基于成对约束的特征选择算法从多个角度展开了充分研究。另一方面,由于稀疏表示的良好特性,近年来,也引起了机器学习领域研究人员的广泛关注。本文将稀疏表示引入特征选择方法的框架中,提出了一种全新的基于稀疏表示的特征选择算法。主要创新和研究工作总结如下:(1)在基于成对约束的特征选择算法Constraint Score的基础上,结合半监督降维的思想,通过加入全局或者局部的无监督信息,提出了半监督特征选择算法Semi-CS。Semi-CS能够同时利用成对约束和无标号数据进行特征选择,且在多个UCI高维数据集上获得了很好的性能。(2)针对Constraint Score的性能易受成对约束集具体组成影响的缺点,提出了特征选择集成算法BCS。BCS以集成的观点利用成对约束集,有效地提高了在多个UCI高维数据集和基因表达数据集上的分类和聚类性能。(3)将稀疏表示引入特征选择中,提出了基于稀疏表示的特征选择算法Sparsity Score。该算法选取最能够保持数据间稀疏重构关系的特征子集,在多个UCI高维数据集和基因表达数据集上的实验结果验证了所提算法的有效性。