从上世纪60年代起,特征选择作为一种降低特征数量、去除冗余特征和噪声数据的降维技术,已被广泛地应用于机器学习和数据挖掘的各个领域。传统的特征选择方法通过计算特征与类别变量之间的相关性进行特征选择,但是传统的特征选择方法忽略了它们之间的因果关系。因果特征选择方法通过学习类别变量的局部贝叶斯网络（Bayesian network,BN）结构,即马尔科夫边界（Markov boundary,MB）,发现类别变量的局部因果关系,使算法更具可解释性和鲁棒性。同时,在一定假设条件下,类别变量的MB（即特征子集）在贝叶斯网络中是唯一的,且已被证明是特征选择的理论最优解,可以很好地适用于分类任务。因此,近年来,因果特征选择方法已经引起了越来越多学者的关注和研究。本文以因果特征选择为核心研究内容,主要研究工作如下:（1）针对现有的因果特征选择算法在大样本上进行MB学习时,存在的内存开销较大和条件独立性（Conditional Independence,CI）测试计算成本过高的问题,本文提出了一种基于静态AD-tree的因果特征选择算法（BDMB）。该算法首先使用AD-tree结构在相对固定的内存开销且只需扫描一遍数据下,以统计信息的形式将数据完整地保存下来;然后,将AD-tree结构与列联表相连接,使得MB学习过程中的CI测试更加便捷与高效,同时我们给出了从树结构中获取列联表的Make CT算法。本文分析了算法的复杂度并进行了算法追踪,最后,在基准数据集和真实数据上验证了BDMB的有效性。（2）针对现有的因果特征选择算法都集中在静态数据上,忽略了流数据的情况,本文提出了一种基于动态AD-tree的因果特征选择算法（SDMB）。该算法在每一个数据块到来时,通过更新已有的AD-tree结构将新的数据信息汇总起来,做到了在一定的内存下保存不断增加的数据,并在此基础上进行MB学习。在学习过程中,首先以原有的MB集合为初始特征子集,然后每向其中添加一个新的特征时,就进行一次旧的特征的移除,直到学习出正确的特征子集;同时,树结构与列联表的结合,同样加速了算法中的CI计算,提高了算法效率。本文分析了算法的复杂度并进行了算法追踪,最后,在基准数据集和真实数据集上验证了SDMB在流数据上进行MB学习的有效性和准确性。