针对大规模、高维度数据的无监督特征选择,一直是机器学习领域的研究热点,其中,面向动态、高速数据流的在线无监督特征选择算法的研究,更是在诸如在线异常诊断、媒体数据分析和智能视频监测等应用方面具有迫切需求。真实的应用数据普遍存在维度高、流速快、类型复杂等特点,这给面向数据流的在线无监督特征选择提出了新的挑战:第一,高维数据往往分布为不规则的非线性流形结构,存在潜在结构挖掘困难的问题;第二,新样例实时到达,存在关联特性不稳定的问题;第三,真实的应用数据往往以混合型数据流的形式存在,同时包含数值型和类别型特征,存在混合型数据实时度量、混合型数据流上关联特性挖掘的问题。针对这些问题,本文首先研究面向静态数据集的无监督特征选择算法;然后对面向数值型数据流和混合型数据流的在线无监督特征选择算法,分别展开进一步的研究,主要的研究进展如下:高维数据往往分布成不规则的非线性结构,而数据样例间的距离在高维空间中近似相等,失去定性意义。现有的无监督特征选择算法,大多利用样例间的精确距离来挖掘数据潜在结构,容易造成有效信息过量丢失或无效信息过量保留,影响特征选择的准确性。为此,本文提出了一种基于局部全序关系保留的无监督特征选择算法UFSLTP（Unsupervised Feature Selection via Local Total-order Preservation）。该算法利用全序关系的概念,表示数据集上的一组三元关系:对于某给定的数据样例,其距离一个数据样例比距离另一个数据样例更近。在此基础上,我们在原始特征空间中挖掘局部全序关系,评估各特征维持局部全序关系的能力,求解特征权重,并筛选权重较高的特征形成新的低维空间。实验结果表明,相较于现有的无监督特征选择算法,UFSLTP能够选择具有更高质量的特征子集,其对应的聚类性能指标NMI（Normalized Mutual Information）平均提升了15.32%。动态数据流上的关联特性可以归纳为三层关联模型,即个体层次、聚合层次及流层次上的关联关系。现有的在线无监督特征选择方法只考虑了其中的一部分,导致关联特性挖掘的实时性、准确性较差,选择的特征子集不理想。为此,本文面向数值型数据流提出了基于多簇图结构保留的特征选择算法FSMCP（Feature Selection via Multi-Cluster graph structure Preservation）。该算法基于全序关系的概念,构造了适用于数值型数据流的多簇图结构,这种结构集成了数据流上的三层关联模型。个体层次上的点-点全序关系描述了新到数据样例之间的关联关系;聚合层次上的全局簇-簇全序关系和局部簇-簇全序关系（“簇”是对数据流上已到达数据样例的一种数据摘要）,描述了已到达数据样例之间的关联关系;流层次上的点-簇全序关系描述了新到数据样例与已到达数据样例之间的关系。在每个时刻,FSMCP通过评估各特征维持多簇图结构的能力来求解特征权重,筛选特征子集并形成新的低维空间。实验结果表明,FSMCP比离线特征选择算法具有更高的效率,且提供近似同等甚至更高质量的特征子集;相较于在线特征选择算法,FSMCP能获得具有更高质量的特征子集,其对应的聚类性能指标NMI平均提升26.41%。真实的应用数据往往以混合型数据流的形式存在,同时包含数值型和类别型特征。目前还没有针对混合型数据流的在线无监督特征选择算法,为此,本文面向混合型数据流提出了一种基于混合距离的特征选择算法FSHD（Feature Selection based on the Heterogeneous Distance）。该算法采用混合欧式重叠度量模型HEOM（Heterogeneous Euclidean Overlap Metric）来实现混合型数据的度量。HEOM是一种混合距离度量方法,对数值型和类别型特征分别采用不同的距离进行度量,并整合所有特征的度量结果来表示总距离。FSHD将HEOM模型融入到多簇图结构的构造中,形成基于HEOM的多簇图结构。在每个时刻,FSHD评估各特征维持该结构的能力,求解特征权重,并筛选特征子集形成新的低维空间。实验结果表明,FSHD拥有较高的实时性和对混合型数据流的适应性,能够及时获得质量稳定的特征子集。相较于处理数值型数据流的在线无监督特征选择算法,FSHD能够获得更高质量的特征子集,其对应的聚类性能NMI平均提升85.89%;相较于处理混合型数据集的离线无监督特征选择算法,FSHD对应的聚类性能NMI平均提升36.52%。