针对机器学习、数据挖掘中高维数据引起的“维数灾难”问题,特征选择作为一种数据降维技术,可有效地对这些数据进行预处理。近年来,各种类型的高维数据大量产生,无监督特征选择方法由于不需要类别标签,成为机器学习领域中的一个研究热点。论文通过分析目前无监督特征选择算法中存在的许多不足,结合神经网络和局部结构保持算法的优势,提出两种基于自编码器的无监督特征选择算法,具体内容如下:（1）针对目前基于自编码器的无监督特征选择算法忽略局部几何结构重要性的问题,本文提出了基于自编码器和局部线性嵌入的无监督特征选择算法。首先,通过自编码器消除冗余特征,学习特征之间非线性关系,并在输入层到隐藏层的特征权重矩阵上施加L2,1范数,加快特征选择;然后将局部线性嵌入算法中的欧氏距离替换成Dijkstra距离,更好地获得数据点在多维空间下的真实距离,并利用改进后的局部线性嵌入算法在由自编码器训练得到的低维样本表示空间上进行局部几何结构信息的提取;最后设计一个新的目标损失函数,并用L-BFGS算法进行迭代优化,得到一个含有重要的非线性关系信息和局部几何结构信息的特征子集。通过在不同类型数据集上进行聚类和分类实验,结果表明所提出的算法相较于其他无监督特征选择算法能够进一步提高聚类准确率和分类准确率。（2）为了能够在捕捉特征之间非线性关系的同时,保留数据之间和特征之间的局部结构信息,本文提出了基于自编码器和双图正则化的无监督特征选择算法。首先利用自编码器学习特征之间的非线性关系;然后分别从数据级别和特征级别这两个方面构建数据图拉普拉斯和特征图拉普拉斯,学习数据之间和特征之间的局部几何结构信息;随后对模型中的参数集合进行范数约束,防止模型过拟合;接着引入一个辅助函数解决目标函数出现的非凸问题;最后利用梯度下降算法对参数进行迭代优化。在得到优化好的特征权重后,利用评价准则评估特征的重要性,从中选择出含有重要语义信息的特征子集。实验结果表明,基于自编码器和双图正则化的无监督特征选择算法能够在聚类和分类任务中保留特征非线性关系信息和充分的局部结构信息,聚类性能和分类性能要优于所对比的其他无监督特征选择算法。综上所述,本文提出的两种无监督特征选择算法,通过理论分析和实验证明,可以有效地消除原始数据中的冗余和不相关特征,能够充分保留特征非线性关系信息和局部结构信息,得到一个最优特征子集。