随着现实世界中文本、图像、网络和基因数据等高维数据的广泛出现,人们发现在数据挖掘过程中并不是所有的特征都是重要的和有用的,在这类数据集中,有些特征是冗余的甚至是不相关的。为了提高数据挖掘的质量,常常先对数据进行预处理。特征选择是常用的数据预处理的方法之一,它是通过一定的算法去除这些冗余和不相关特征,选择原始数据的重要特征子集。降维选择后的特征能够提高聚类的速度以及优化聚类结果。特征选择可以根据特征选择的原始数据有无类标签分为有监督特征选择和无监督特征选择。有监督特征选择是根据特征与类标签和特征与特征间的相关性来判断特征子集的优劣。而现实中的数据多数是不带类信息的,因此无监督特征选择成为了当前的一个研究热点。传统的无监督特征选择方法在特征选择过程中改变了数据的流形,特征选择后的子集丢失了原有的类信息,失去了与原始数据的对应关系,导致聚类的效果不佳。本文利用流行学习和L1正则化的原理,提出一种基于谱回归的无监督特征选择方法,利用拉普拉斯矩阵映射获得与原始数据对应的特征空间数据,在此基础上进行拟合处理,并获得特征重要性系数。大量实验结果表明基于谱回归的方法对保存特征的类信息具有很好的效果。