随着数据维度在许多应用领域的不断增加,特征选择作为避免维度灾难、增强模型泛化能力的一个重要步骤,正受到越来越多研究者的关注。现有的大多数特征选择方法聚焦于特征选择过程对模型性能带来的提升,而忽略了获取特征本身需要花费相应的代价这一实际情况。以医生诊断患者病情为例,患者所做的每项医学检查对应着不同的费用,所得到的检查结果可以视为不同的特征值。病人往往希望以最少的花费（或检查步骤）治疗好疾病。我们称这类考虑了特征代价不同的问题为代价敏感特征选择问题。为了能够以较低的特征代价达到具有可比性的模型性能,实现特征代价和模型性能之间的平衡,本文在以下两方面做了相关的研究工作。首先,针对高维数据的代价敏感特征选择问题,本文提出一种基于分层随机森林的代价敏感特征选择方法。这种方法不同于传统的两步特征选择法,而是在构造每棵决策树时,将特征代价参与到节点分裂过程中来,即,在寻找最优特征时兼顾特征性能和特征代价。同时,使用分层采样的方法加强了在处理高维数据时特征子集的分类能力,进而提升了每棵决策树的性能强度。本文通过一系列的实验验证了所提方法的有效性和稳定性。其次,针对按步骤选择特征的问题,本文将特征获取与模型构建结合起来,将代价敏感特征选择问题形式化为一个序列式特征获取问题。针对以往方法的不足,本文提出了一种基于强化学习的自适应序列式代价敏感特征获取方法。具体地,本文采用一个强化学习智能体来引导特征获取过程,让循环神经网络的结构因不同的样本而变化,使得模型能够针对不同样本采取不同的处理方式,从而对每个样本取得特征代价和模型性能的平衡。同时,由于该方法打破了模型固定结构的限制,因而增加了方法的实用性。实验结果表明,与其他常用方法相比,本文所提的方法能够以更低的特征代价实现相似的学习准确率。