无监督特征选择作为一种重要的数据预处理技术,其在不借助任何数据标签信息的情况下,能够从原始特征空间中选择出最具有价值和判别性的特征。无监督特征选择不仅能降低数据的维度,有利于数据的可视化和理解;同时由此产生的模型通常也具有更好的泛化能力。本文主要对不同数据来源场景下（单视图和多视图两个场景）的无监督特征选择问题进行研究,主要的研究工作和研究成果总结如下:（1）针对单视图场景,本文提出了基于自适应图学习的广义不相关回归模型用于无监督特征选择。该模型能够同时选择具有判别性而且不相关的特征。此外,模型在约减后的子空间中自适应地学习相似度矩阵,能够减轻原始数据中噪声和异常值的负面影响,显著提升特征选择的性能。进一步地,本文开发了有效的迭代优化算法来求解目标函数,并从理论和实验两方面分析了算法的收敛性和时间复杂度。最后,在多个真实数据集上的大量实验表明,本文所提出的方法优于目前先进的基线模型。（2）针对多视图场景,本文提出了基于一致性和互补性学习的不完备多视图无监督特征选择模型。所提出的模型将特征选择整合进基于加权非负矩阵分解的聚类框架中,同时利用视图间的互补信息来学习可靠的相似度结构,并学习一个共同的聚类指示矩阵来融合不同视图间的一致性信息。与之前方法基于视图完备的假设不同,该方法能够解决多视图不完备场景下的无监督特征选择问题。同时,本文开发了有效的迭代优化算法来优化目标函数,并在理论和实验两方面分别分析了算法的收敛性和时间复杂度。最后,实验结果表明,所提出的模型在多个基准数据集上的性能优于最先进的基线模型。