随着大数据时代的来临,数据更新速度快且具有多样性。如何对数据进行有效特征提取是数据预处理中必不可少的一个环节。特征选择是数据降维的主要方式之一,其目的是为后续的学习任务选择具有最佳判别能力的最优特征子集。目前,Fisher得分是一种简单有效的过滤式特征选择方法,其主要思想是寻找使得数据类内散度最小和类间散度最大的特征子集。Fisher得分最大的特点是不依赖于学习模型,可以直接和分类算法衔接。但是,Fisher得分是从全局角度计算类内类间散度,忽略了样本的局部结构,对流形数据效果不佳。另外,Fisher得分特征选择算法不具备增强学习能力。为此,本文在Fisher得分特征选择算法的基础上展开研究,主要工作总结如下:（1）提出了基于局部Fisher得分的迭代特征选择算法。针对Fisher得分忽略了样本局部结构的问题,本文通过构造局部近邻关系图来统计数据的类内类间局部散度,提出了基于局部Fisher得分的迭代特征选择算法。通过引入迭代的思想,该算法还加强了特征之间的关联性。在每轮迭代中,算法从候选特征集中选择一个特征,该特征和当前特征子集的关联作用最大。实验结果表明本文算法获得的特征子集在后续分类任务中具有更好的分类性能。（2）提出了基于Q学习的Fisher得分特征选择算法。Fisher得分特征选择算法是没有增强学习能力的,即当有新增数据样本时,需要在全部数据上重新运行该算法。在迭代特征选择算法的基础上,本文引入了强化学习中Q学习,将之与Fisher得分结合,提出了一种新的增强特征选择算法。该算法具备了增强学习的能力,每回合以批处理的方式用少量样本进行学习,不需要一次性获得所有样本。在有新增样本时,可根据这些样本直接更新已有策略。实验结果表明,该算法可以保持稳定学习速度,在选择相同数量特征时有更好的分类效果。（3）提出了基于Q学习的Fisher得分动态特征选择算法。由于基于Q学习的Fisher得分特征选择算法不能很好地控制特征子集的大小,本文将分类性能和迭代Fisher得分绑定到一起,提出了基于Q学习的Fisher得分动态特征选择算法。该算法有两个智能体,分别管理特征选择和停止选择两个模块,可以更好地根据不同情况动态选择出最优特征子集,确定所选特征的个数。实验结果表明该算法可以为后续分类任务选择更少的特征且实现更好的分类效果。