近年来,随着信息技术的发展和大数据时代的到来,各行各业每天都在产生大量数据,尤其是高维数据呈现出日益增长的趋势。数据的高维复杂特性会给数据结构探索和机器学习以及数据挖掘算法性能带来挑战。目前,人们已经开发了许多特征降维方法来处理高维数据。随机邻居嵌入模型是一种经典的降维模型。然而,基于该模型框架的大多数方法均存在“拥挤问题”,即生成的低维表示无法有效分离属于不同类别的对象,他们往往存在重叠。此外,针对高维多视图数据,已经存在许多特征选择方法。然而这些方法往往都基于视图完备假设并只能处理静态全量数据。而在实际收集的数据中,多视图数据往往还存在着样本缺失（不完备特性）以及样本动态性变化。这使得已有的方法直接应用于动态不完备多视图数据往往存在较高的存储和计算成本,同时不能有效地选择出有用的特征。为了解决这些问题,本文一方面通过将Wasserstein距离和t-Copula函数集成到随机邻居嵌入模型中来提出一种新的降维方法TCWSNE,该方法为传统的随机领居嵌入模型生成了更灵活的低维空间分布,提高了低维特征在分类和聚类等算法上的性能。另一方面,本文提出了一种针对不完备多视图流数据的无监督特征选择方法（!!"#$%）。!!"#$%将特征选择嵌入到扩展的加权非负矩阵分解模型中,同时学习各视图一致的聚类指标矩阵与自适应视图权重,并采用增量方式更新特征选择矩阵,大幅提高计算效率。本文的主要贡献总结如下:（1）将基于t-Copula函数的广义厚尾分布集成到随机邻居嵌入模型中,提供一种更灵活的方法来避免拥挤问题,提高分类和聚类任务的性能。（2）提出了一种新的多视图无监督特征选择方法,用于处理不完备的多视图流数据。该方法将无监督特征选择嵌入到扩展的加权非负矩阵分解模型中,同时考虑了跨视图的一致性和互补性信息。通过引入增量学习机制,开发了一种增量交替迭代优化算法,可以显著提高特征选择的计算效率,并给出了该算法的理论证明,保证其收敛性。（3）在多个数据集上进行了大量的实验,与多种先进方法进比较,证明了本文所提出方法的有效性和鲁棒性。