由于无监督特征选择算法不需要先验类别信息,广泛应用在机器学习与模式识别领域中。现有的大多数的无监督特征选择算法聚焦于各种形式的数据重建,并通过丢弃贡献低的特征来最小化重建误差。近些年来在特征选择方面的文献表明选择的特征应该保留几个重要的信息。这些信息包括但并不仅限于判别性信息和局部几何结构信息。判别性信息可以通过聚类的方式得到,局部几何结构可以通过嵌入图的学习来保持样本之间的局部关系,比如两两样本之间的相似度图,KNN图、局部线性嵌入等。许多模型选择在数据的原始特征空间中计算样本间的相似性,然而样本的原始特征空间中往往存在大量的噪声和冗余。因此,直接在原始特征空间中计算得到数据内在结构是不合适的。本文先提出了基于鲁棒矩阵分解和自适应图的无监督特征选择模型（unsupervised feature selection based on robust matrix factorization and adaptive graph,MFAGFS）。该模型可以在一个统一的学习框架下执行鲁棒矩阵分解、特征选择以及局部结构学习。通过鲁棒矩阵分解可获得聚类标签。聚类标签和局部结构信息用来引导特征选择过程。再从特征选择的结果中自适应的学习地学习数据局部结构。通过局部结构学习和特征选择这两个基本任务地相互作用,MFAGFS可以精确捕获数据的结构信息以及选择出具有判别性的特征。更进一步,为了实现优秀的簇分离,改进矩阵分解的形式。通过在转换空间中进行正交矩阵分解实现正交基聚类,并在矩阵分解过程中使用具有鲁棒性的l2,1作为损失函数。提出了基于正交基聚类和自适应图的无监督特征选择模型（unsupervised feature selection based on Orthogonal basis Clustering and adaptive graph,OCAGFS）。为了验证本文所提出来的两个模型的性能。将MFAGFS以及OCAGDFS在公开的数据集上进行对比实验。实验结果表明,本文所提的两种方法与其他方法相比较,性能均具有不同程度的提高。