网络信息技术发展和高新技术产品的普遍应用,众多行业获取的信息数据在数量和内容上都在飞速扩增,信息数据呈现高维度、复杂化的特点。高维的数据给数据存储和相关应用带来了巨大的压力,这些信息数据中既有丰富的有用信息特征,也包含大量不相关和冗余的特征以及噪声。直接处理这类原始数据会面临“维数灾难”的问题,这将极大增加模型的计算开销,而且模型在高维数据上容易出现过拟合,导致模型实际性能不理想。此外,现实中获取的信息数据多为未标注的数据,后期人工给大量的高维数据标记标签花费成本高且不实际。从高维数据中有目标地筛选出有用的特征信息,缓解数据“维数灾难”问题现已成为研究的热点。本文针对解决无标签高维数据下的特征选择问题进行了研究,提出了两种有效的无监督特征选择算法,其中针对大样本高维数据处理效果进一步改进,加快算法对大样本高维数据的处理速度,提升算法的实际性能。本文的主要工作包括以下两个部分:1、针对多数基于图学习的无监督特征选择算法探索数据内部局部流形结构能力不足、图学习效率不高和模型优化参数复杂的问题,提出一种基于图嵌入学习的l2,0范数约束正交局部保持投影无监督特征选择方法（OLPPFS）。该方法首先利用局部保持投影（LPP）方法探索数据内部的局部几何流形结构,同时约束投影方向正交以增强线性映射能力和方便数据重构,接着采用稀疏正则化方法结构稀疏投影矩阵选择特征。在数据相似图构建方面,摒弃了传统KNN构图使用高斯核函数度量数据点之间的相似度方法,受拉普拉斯秩约束聚类算法（CLR）启发,构建原始样本数据的一个稀疏连接相似图,学习数据矩阵一个高稀疏度的相似度矩阵,并且相似度矩阵计算式不涉及需要调节的参数。多数无监督特征选择算法采用l2,1范数作为稀疏正则化约束范数,l2,1范数是凸并且光滑的函数,相较于非凸且不光滑的l2,0范数更易求解,但会带来复杂的正则项参数调整问题。而采用l2,0范数约束则是以给出预期选择特征数量的方式动态选择一个最优的特征组合,本文巧妙设计了一个迭代算法直接优化l2,0范数NP难问题对模型进行优化,整个算法不需要复杂的参数调整就能有效选择信息特征。2、针对大样本量下高维度特征的任务数据,在OLPPFS算法基础上,提出基于锚点策略的快速正交局部保持投影无监督特征选择算法（FOLPPFS）,增强算法对大样本高维数据的处理能力,进一步提升算法性能。算法改进主要是通过在图学习过程中,采用嵌入锚点的方法加速相似度矩阵的构造,与传统k近邻法构造的几乎全秩非双随机相似矩阵相比,基于锚点策略构造的相似度矩阵具有稀疏低秩对称、PSD和双随机的性质。在实验中选取的公开标准数据集上进行仿真对比的结果表明,锚点策略的改进算法性能优于所对比的算法,尤其在算法运行速度上得到了显著的改善。