随着信息技术的快速发展,社会各个领域出现了具有多元化和高维化等特点的海量数据。这些数据中包含着大量不相关和冗余的特征,给许多数据挖掘和机器学习算法造成“维数灾难”和“过拟合”问题。因此,需要通过特征选择对数据进行降维。特征选择是利用某种方法从原始数据集中识别并剔除冗余和不相关的特征,在不改变数据物理特性的前提下,选择出最具代表性,各特征之间相关性弱的特征子集,从而提高数据挖掘和机器学习算法的性能。由于获取类标签十分耗时等原因,无监督特征选择方法是实际处理中更加实用。正则化自表示（Regularized Self-Representation,RSR）特征选择与特征级自表示选择（Feature-level Self-representation Feature Selection,SR-FS）是目前比较流行的基于正则化约束的特征选择方法。这类方法通过假设高维数据中每一个特征都可以表示为所有特征的线性组合构建了自表示模型,并对特征权重矩阵施加正则化约束进行无监督的特征选择。基于此理论,本文分别利用稀疏规则算子L1-范数正则化和内积正则化,构建不同的特征选择模型,提出两种不同的基于正则化回归模型的无监督特征选择方法。（1）特征级自表示选择方法（SR-FS）利用特征间自表示的性质,将特征选择过程视为一个损失函数模型优化问题,可以有效批量地评估每个特征的重要性。但在计算过程中,由于每个特征参与自身的重构,使得特征权重过度地向自身集中,导致权重无法合理分配且稀疏性较小。针对上述问题,提出基于特征稀疏关联的无监督特征选择方法。该方法首先建立特征选择模型:利用Frobenius范数建立损失函数项表示特征之间的关联关系,并且对特征权重矩阵施加L1-范数正则化约束,加强行稀疏性。然后,设计一种分治-收缩阈值迭代算法对目标函数进行优化。最后,根据特征权重评估每个特征的重要性,选择出具有代表性的特征。实验表明,所提方法在降低计算复杂度的前提下,能够合理分配特征权重,选择出的特征子集取得较好聚类效果且冗余率较低。（2）正则化自表示方法（RSR）利用L2 1,-范数对权重矩阵施加约束,但不能确保所选特征子集具有较高的稀疏性和较低的冗余性。针对上述问题,在正则化自表示损失函数模型中引入一种可以直接刻画出变量独立性和显著性的内积正则化,提出基于内积正则化的无监督特征选择方法。内积正则化是用特征权重向量内积的绝对值表示,即wi,wj,其中iw是特征权重矩阵W的第i行权向量。然后,本文还提出了一种有效的优化方法对目标函数进行求解。实验表明,基于内积正则化的无监督特征选择方法能同时实现特征子集的高稀疏性和低冗余性,可以有效识别出重要特征,剔除冗余和不相关特征。综上所述,本文主要围绕如何构建正则化回归模型进行无监督特征选择的问题展开了研究,针对SR-FS方法和RSR方法存在的不足之处,分别提出了两种改进的无监督特征选择方法。实验结果表明,所提方法能够从高维数据中选出低冗余的特征子集,提升聚类精度。