维度降低是处理大型高维度数据必须面临的一个重要问题。特征选择就是在大型数据集上选择原始特征的一个子集,预处理数据以获得一组较小的有代表性的特征集合。从有无类标签参与特征选择的角度,将特征选择方法分为监督型特征选择、无监督特征选择和半监督特征选择。由于无监督特征选择方法只考虑了特征之间的相关性,而忽略了特征与类别之间的相关性,导致了无监督特征选择获得的特征子集的分类能力较弱,比如基于谱图理论的谱特征选择。而一些监督特征选择方法只考虑了特征与分类类别之间的相关性,不能很好的考虑到特征之间的冗余,造成了特征子集中有很多特征是相互关联的,影响了特征的独立性以及分类的准确性。因此本文提出了一种基于谱特征分析和卡方检验的特征选择方法。使用谱分析评价特征之间的相关性,使用卡方检验评价特征与类别标签之间的相关性。监督学习部分的卡方检验通过观察值和理论值之间的偏差来判断理论值的正确率,特征选择时应该更优先选择卡方值更高的特征。无监督学习部分的谱聚类方法首先需要计算给定的样本数据集中每对样本点之间的相似性,来得到一个相似性矩阵,进而构建出一个邻接图,最后通过图的归一化切分(Normalized Cut)得到特征的评价准则,通过这一评价指标来进行特征选择。基于谱特征分析和卡方检验的特征选择方法(SpeChi)结合监督学习和无监督学习的特点,计算过程中卡方检验使用已标记数据,谱特征分析使用未标记数据进行特征选择,通过特征评分进行特征选择,弥补了谱特征分析没有考虑类别相关性的不足。最终选择出特征之间低冗余且特征与类别之间高相关性的特征子集。验证实验使用了4种不同分类器,和8个公开数据集,在与其他4种特征选择方法进行对比后表明:该算法提高了特征集合的分类准确率,并且能提前获得较好的分类效果。最后这里还研究SpeChi方法中不同参数设置对特征选择结果的影响,实验表明,设置参数为0.4、0.5、0.6的分类准确率要优于参数为0或者1。设置不同的参数值时,由于特征选择所考虑到两种相关性所占的权重不同,因此实验结果略有不同。