IB(Information Bottleneck)方法起源于率失真理论,是一种有效解决复杂优化问题中数据压缩和信息保存的方法学。在机器学习领域中,IB方法多用于模式提取,并形成了多个版本的IB算法。在模式提取时,IB方法会对所有数据对象进行分析,然而在实际应用中,数据对象中蕴含模式信息的明确度均有不同,弱相关或无关数据的分析不利于模式提取,从而导致IB方法挖掘到的数据模式精度低,或挖掘不到隐藏数据模式。本文针对IB方法中存在的上述问题,提出一种选择性模型SLIB模型及其对应的目标函数和优化算法。数据集往往存在一些模式结构不明确的数据对象,IB对其分析时不仅信息损失较大,且易使数据模式偏离数据固有结构。因此,SLIB模型仅分析信息损失小且具有较强模式结构特征的数据对象,而过滤掉模式结构不明确的数据对象。与以往IB目标函数不同,SLIB模型的目标函数不但可实现对数据的选择性分析,而且适用于共现数据和欧氏空间数据。通过使用一种顺序的“抽取一合并”方法优化该目标函数,SLIB算法的“边学习,边选择”迭代过程可快速收敛到一个局部优化解。在二维人工数据集、欧氏空间数据集和共现数据集上的实验结果表明：SLIB算法可发现线性及非线性划分,且在确保高召回率的同时,所挖掘的数据模式精度更高,并能挖掘到原IB算法所不能挖掘到的数据模式。IB方法在诸多领域都得以成功的应用,而本文提出的SLIB算法更可应用于信息检索,且实验表明其能更有效地搜索高精度结果。此外,本文提出的SLIB算法较原IB算法能用于更多种类的数据集,也为以后IB方法提供了一个新的研究思路。