随着人工智能技术的发展,数据逐渐复杂化,致使原始样本数据特征多样性,在众多的特征中存在着一些不相关特征、冗余特征以及噪音的影响,不仅增加了模型的计算消耗,而且极易导致模型过拟合,从而影响了学习模型的性能。为了减小冗余特征、数据噪音带来的影响,降低维数灾难问题,特征选择技术在机器学习各个领域引起研究人员的持续关注和广泛的应用,本文针对性的提出了两种特征选择算法,分别用于解决大样本数据和高维数据下的特征选择问题。本文的主要工作包括以下两个部分:1、针对处理少标签、高维度特征的基因诊断任务中的不足问题,提出基于Hessian正则的自适应损失半监督稀疏特征选择框架（AHFS）。首先分析Hessian矩阵产生的零空间特性,可以较好地利用数据流形固有的局部几何特性,有利于学习函数值随测地距离线性变化的函数。同时,多数半监督特征选择算法采用l₂范数作为损失函数来度量预测标签误差,但具有显著损失的异常值将导致模型表现比较敏感,鲁棒性较差,而使用l₁范数作为损失函数,可以在一定程度上缓解对异常值的敏感度,但是又会对小损失比较敏感。为了克服基于l₁范数和l₂范数损失函数的缺点,采用自适应损失来度量预测标签的误差,通过自适应近邻分配策略,得到最优Hessian矩阵,增强特征选择模型的鲁棒性。此外,使用l_2,1范数作为隐式正则项约束投影矩阵W,可以获得更多的稀疏回归系数,提升特征子集区分性。2、针对具有大样本量下高维度特征的视频语义识别任务数据,提出一种基于自调整图的半监督特征选择算法（SAGFS）,与传统的直接依赖于初始拉普拉斯图的半监督特征选择算法不同,SAGFS学习一个新的稀疏相似图来替换原始相似图,促使所提出的模型对初始数据不敏感。另一方面,在学习新的相似图时,新图可以根据输入训练数据的局部几何结构和特征选择的过程进行自调整。通过最佳稀疏相似图的嵌入,SAGFS结合了图正则,使得几何结构可以被嵌入到流行学习。然后,通过简单且高效地线性回归函数测量软标签矩阵的损失误差,可以同时获得最佳的投影矩阵和软标签矩阵。此外,利用l_2,p范数以及引入参数?,以便获得高效的特征选择的行稀疏投影矩阵。最后,基于视频语义识别任务相关的数据集进行实验,实验结果表明了SAGFS算法的优越性能。