随着信息获取技术的发展,各领域的数据呈现高维化。高维数据的出现意味着我们可以获取更多有价值的信息,同时也意味着我们在处理数据和挖掘信息时会遇到更多的挑战。比如,高维数据的稀疏性会使得模型的训练以及参数的估计更加困难,会导致“维度灾难”问题。另外,随着数据维数的增长,特征的冗余度和无关性也会随之增长,这将不仅增加算法的时间复杂度,而且可能会降低算法的性能。研究人员采用降维技术将高维数据映射到低维空间中,以此来解决高维数据带来的问题。特征选择作为降维技术的一个重要研究方向,能有效地剔除不相关及冗余的特征,并保留数据的原始含义,可解释性强,便于研究人员对数据的后续探索。本文在拉普拉斯得分算法的基础上,针对半监督特征选择算法展开研究。拉普拉斯得分算法是一种简洁有效的无监督过滤式图拉普拉斯特征选择算法,已经被扩展到半监督学习领域。然而,拉普拉斯得分算法忽略特征之间的关系,只考虑特征的单局部结构,导致特征子集的冗余度较高。另外,针对带噪声特征的数据,已有的基于拉普拉斯得分的半监督方法并不能提取具有强判别能力的特征子集。为此,本文融入邻域判别的思想,通过计算邻域关系的基数而不是邻域相似度来衡量特征子集的判别能力。在此基础上,本文提出了三种基于拉普拉斯得分的半监督算法,具体总结如下:提出基于拉普拉斯得分的半监督判别特征选择算法。针对基于拉普拉斯得分的半监督算法对噪声特征数据不能很好地提取判别特征的问题,本文提出了基于拉普拉斯得分的半监督判别特征选择算法。本文算法利用拉普拉斯得分算法来度量数据的单局部结构,并利用邻域判别增益来衡量特征子集的判别能力,从而提高了算法提取判别特征的能力。在人工数据集以及UCI数据集上,我们验证了所提方法能有效地筛选出具有判别能力的特征,并提高了分类的准确率。提出基于修正拉普拉斯得分的半监督判别特征选择算法。针对拉普拉斯得分算法不能衡量特征之间关联性的问题,本文提出了无监督的修正拉普拉斯得分算法。该无监督算法可以衡量特征子集的联合局部结构。进一步,我们将该无监督算法与邻域判别指数相结合,提出了基于修正拉普拉斯得分的半监督判别特征选择算法。实验结果验证了基于修正拉普拉斯得分的半监督判别特征选择算法具有更好的分类准确率,并能有效地处理高维数据。提出基于前向迭代拉普拉斯得分的半监督判别特征选择算法。在修正拉普拉斯得分算法的基础上,本文先提出无监督的前向迭代拉普拉斯得分算法。该无监督算法能衡量特征子集的联合局部结构保持能力。结合邻域判别增益,本文提出基于前向迭代拉普拉斯得分的半监督判别特征选择算法。在文中,我们对修正拉普拉斯得分算法和邻域关系进行了理论分析,以此来优化前向迭代拉普拉斯得分算法的迭代过程以及邻域判别指数的计算过程。实验结果说明了该算法可以在保证准确率的同时,还能降低时间的消耗。