随着人工智能和大数据在各个领域的迅速发展,互联网中的数据量也在呈指数增长,这些海量高维数据对传统的机器学习与统计分析理论提出了严峻的挑战。原始高维数据的特征空间中通常含有许多冗余特征、背景噪声、异常信息以及无关信息,如果不对数据进行预处理,利用高维数据进行机器学习会严重的增加时间和空间复杂度,甚至遭遇“维度灾难”与“过拟合”问题,使得机器学习任务无法完成。因此,特征选择受到越来越多研究人员和工程师的关注,已经成为机器学习领域的热点研究方向。本文详细介绍了基于深度学习框架下的无监督特征选择算法的研究现状,剖析了不同类型的基于深度学习无监督特征选择算法的优缺点,并针对这些优缺点,本文提出了两种新的无监督特征选择方法,具体工作如下。（1）本文提出了基于自编码器和流形正则的结构保持无监督特征选择算法,所提算法根据单个特征对重构原始空间以及重建其他特征的贡献程度选择出最优特征子集,利用L2/1正则对权重矩阵进行惩罚,使其更加具有稀疏性,引入流形正则化挖掘数据空间的局部与非局部几何结构,使模型从原始数据分布中学习到关键信息,最终构造一个新的目标函数,再利用梯度下降算法对所提目标函数进行优化得到最优参数解,最终根据权重矩阵求得最优特征子集。在六个公开数据集上的实验结果验证了所提出的方法相对于其他无监督特征选择能够显著提高分类准确率和聚类准确率。（2）本文提出了基于自编码器和自适应动态图的无监督特征选择算法。为了避免提前预定义的图矩阵,克服模型对固定相似性的依赖,引入自适应动态图学习,将图构造和特征学习统一到一个优化过程中。构建结构保持图正则,引入流形正则保持原始数据空间的局部和非局部几何结构,最终构造一个新的目标函数。利用迭代优化算法,对所提出的新目标函数进行优化得到最优参数解,最终根据权重矩阵求得最优特征子集。在六个公开数据集上的实验结果验证了所提出的方法相对于基于图自编码器的无监督特征选择算法能够显著提高分类准确率和聚类准确率。综上,本文提出了两种基于自编码器的结构保持无监督特征选择算法,通过实验结果分析,验证了所提算法能够有效地去除冗余和无关特征,并选择出特征集合中最具有代表性的特征子集,提高后续学习任务的鲁棒性。