作为模式识别领域中一项关键的降维技术，特征选择已经在信息检索、文本分类、基因数据分析等领域得到了广泛的应用。近年来，利用样本集所包含的结构信息来指导特征选择，已成为特征选择研究中的一个新的热点，如Laplacian Score方法等。本文首先对基于样本结构信息的特征选择进行研究，提出了两种利用样本结构信息的迭代特征选择算法，即迭代LaplacianScore和迭代Sparsity Score。前者利用样本的局部结构信息指导特征选择，后者利用样本间的稀疏重构关系来指导特征选择。此外，本文还研究了如何利用特征之间的结构关系指导特征选择，提出了一种基于特征聚类的特征选择算法。本文的主要创新点和研究工作总结如下：(1)以保持样本的局部结构为准则，提出了基于样本局部结构的迭代Laplacian Score算法，该算法在每一步迭代过程中，评估特征保持数据局部结构的能力并丢弃最不重要的特征，然后在所选择的特征子空间中重构数据的局部结构模型，达到不断优化特征子集的目的。(2)以样本间的稀疏重构关系为准则，引入迭代特征选择的思想，提出了基于稀疏表示的迭代Sparsity Score算法，该算法以迭代方式不断优化样本间的稀疏重构关系模型，从而实现算法性能的提升。(3)利用特征之间的结构关系，将K-均值聚类算法引入特征选择中，提出了一个基于K-均值聚类的Group Lasso算法，该算法通过对特征聚类发现特征之间的结构关系，并结合GroupLasso算法实现结构化的特征选择。