大数据的高速发展,使特征选择技术面临着新的数据类型的挑战,类型之一的是流特征。流特征是指数据的样本空间固定不变,特征空间随时间而增大,特征逐个流入特征空间的场景,其难点在于流特征所在的高维数据空间呈现动态性,即特征空间不是或不能事先给定,而是随时间动态变化,因而特征空间呈未知性和演化性。尽管目前已经有许多针对流特征的特征选择算法的出现,但它们仍然存在着些许不足和缺点。首先,针对目前的流特征选择算法一旦认定特征是冗余的,则会剔除该特征,忽略了在流特征背景下被删除的冗余特征仍然可能对任务性能提升起到作用这一现象。本文提出了一种基于一个大小固定的缓冲池的在线流特征选择算法。缓冲池技术已广泛应用于流样本领域,本文将此应用在流特征上以解决上述问题。具体而言,算法通过缓冲池动态地保留和恢复特征来处理变化的特征空间,并结合了两种不同类型的特征选择器以提高预测表现的同时压缩特征空间。最终,将本文提出了的算法在12个典型的特征选择数据集上与现有流特征选择对比,表明了该算法能够获得更加优异的分类精度和空间压缩率。其次,Grafting算法是基于稀疏正则化约束的流特征选择经典算法。针对Grafting的诸多的改进算法的出发点都是利用不同的正则化技巧改进搜索策略,但很少针对流特征度量准则的改进。为此,本文在原始Grafting算法原始的损失函数中添加了对新特征鉴别性的约束,得到了对每个新加入的流特征最小化重构残差的新型流特征选择模型。本文将提出的增强后的Grafting算法与其他典型的流特征选择算法以及上述的基于缓冲池的特征选择算法进行对比实验。实验结果表明,本文提出的改进算法在最优特征子集的分类识别率,特征空间压缩率以及流场景下的算法稳定性上都是有明显竞争力的。本文的源代码、数据集、实验结果均已开源,链接为:https://github.com/qixuejun1225/online_feature_selection。