特征提取是数据挖掘、机器学习以及模式识别等领域研究的关键问题之一。其目的是删除无关信息、冗余信息,减少特征维数、存储空间,降低噪声干扰、计算复杂度以及提高模型泛化能力等。本文研究一种新的过滤一包装组合式特征提取方法,即在流形学习的基础上引入ReliefF特征估计方法。主要研究工作有:　　 (1)ReliefF特征估计方法与流形学习的结合。本文提出的改进算法ReliefFM针对流形学习存在的对噪声敏感、易受缺失值影响问题以及现实世界数据的结构复杂性和稀疏程序大等问题,引入了ReliefF特征估计以改进流形学习方法的不足。实验结果表明,改进算法不仅能够抗噪声、处理缺失值,而且也提高了特征选取后数据集的分类准确率。　　 (2)本文使用了流形学习中有代表性的局部线性嵌入算法,ReliefF特征估计方法,UCI中的Acene数据集,libSVM分类器以及WEKA数据挖掘工具进行实验。分四种情况:一是不使用特征提取方法；二是仅使用ReliefF特征估计方法；三是仅使用局部线性嵌入算法；四是使用ReliefFM算法。通过一系列的实验结果分析比较,得出改进算法的分类准确率分别比单纯使用ReliefF特征估计方法和局部线性算法都要高。　　 (3)设计并实现了一个ReliefFM系统。该系统能够对给定的数据集首先进行特征估计,然后对特征选择结果进行流形学习,最后使用libSVM分类器并加以10层交叉验证。该系统的实现有利于对特征提取后的数据集进行后期分析和处理。