近年来,随着拍照设备的普及和互联网技术的飞速发展,网络中每天产生数以亿计的图像信息并且传播迅速。海量的图像所包含的信息冗杂,格式不一,不仅耗费了大量的网络资源,而且难以有效的进行搜索和管理。因此,如何对网络中的图像进行高效的管理,是图像处理和计算机视觉领域中的一个研究热点,也是实际应用中急需解决的问题。在图像处理和计算机视觉等领域中,图像往往是由高维特征向量表示。高维数据不仅提高了处理数据的时间和空间要求,甚至有时候会产生“维度灾难”问题,使得数据难以处理。因此特征选择技术,尤其是半监督特征选择在过去十几年得到了广泛的研究。其中,基于图拉普拉斯的半监督特征选择方法凭借其良好的标签传播能力和计算成本低等优点,在图像处理和识别等领域中得到广泛应用。虽然基于图拉普拉斯的半监督特征选择算法在实际应用中获得了不错的性能,但是它们仍然存在局限性。首先,这些现有算法的性能严重依赖于所构建的拉普拉斯权重图的质量,而且权重图一旦构建就无法更改。其次,当面对图像的多视图特征向量时,这些现有算法一般是直接将多个视图的特征向量串联成一个长向量来处理,忽略了多视图之间包含的互补信息。为了克服以上缺陷,将自步学习和多视图学习引入到基于图拉普拉斯的半监督特征选择算法中,提出了一个多视图自适应半监督特征选择算法(Multi-view Adaptive Semi-supervised Feature Selection,MASFS)。通过引入自步学习,MASFS算法在特征选择过程中可以根据当前预测标签的反馈信息自适应地更新拉普拉斯权重图,更新后的权重图可以更准确的表示训练样本的流形结构,进而提升了特征选择的性能。此外,通过引入多视图学习,MASFS算法充分利用了多个视图之间所包含的互补信息,进一步提升了特征选择的性能。然后,提出了一种有效的迭代算法来对MASFS目标函数进行求解,并对其进行了收敛性分析和复杂度分析。最后,在NUS-WIDE数据集和MSRA-MM2.0数据集上进行了图像标注实验,实验结果表明,MASFS算法相比其他基于图拉普拉斯的半监督特征选择算法具有更好的性能。图17幅;表7个;参59篇。