近年来随着信息收集设备技术的进步和普及,现实世界中的数据收集难度大大降低。但是数据半结构化甚至无结构化特点易导致样本的维度达到几万甚至几十万维,需要特征选择等算法来解决所带来的维度灾难问题。然而传统的特征选择方法更倾向于选取具有鉴别性的特征,忽略了数据内在的平衡性,无法得到正确结果。因此在数据挖掘和机器学习中,急需行而有效的算法从原始数据特征集中选择相关的特征。在许多真实的数据挖掘应用中,如无线传感器网络的能量负载均衡问题,需要把传感器节点合理划分到相应的簇中,否则会导致节点的能耗不均衡,继而导致网络生命周期短。对此,我们需要一个反映均衡分布的聚类结果来表示能耗均衡问题。而且在很多数据中,尤其是高维数据中,由于噪声和冗余特征的存在,这种平衡结构在原始特征空间中并不明显。特别是在无监督学习中,由于缺乏足够的先验知识,更是表现不出其真实的内在数据结构。为了解决以上的问题,本文提出新的平衡无监督特征选择算法。具体贡献如下:首先,本文提出了平衡k均值特征选择算法。该算法在k均值的基础上,引入了平衡正则项,可以选择倾向于产生均衡簇的特征。因此本文的算法所选择的特征不仅具有判别性,还反映了数据的平衡性,且无缝集成平衡聚类和特征选择于统一的框架中。然后本文使用了乘数交替方向法（ADMM）来求解目标函数。实验结果证明,在基准数据上,本文提出的算法在平衡性和精确性上都优于其他主流的特征选择算法。其次,为了进一步提高算法效率,处理数据非簇状分布的问题,本文提出了平衡谱特征选择算法。在这里,本文使用谱聚类的结构代替k均值的结构,谱聚类更适用于均衡分类的问题,而且也能处理非簇状分布的数据,适用了更多的场景。在算法效率上,它的时间复杂度也大大降低了。最后,在基准数据集上进行的实验证明了该方法的有效性和优越性。综上所述,本文的研究属于机器学习中特征选择领域的基础问题研究,通过在无监督特征选择的过程中保留具有平衡性特征来反应出数据内在平衡结构,提出了嵌入式无监督特征选择算法。值得注意的是,本文所提出的算法是基于平衡性的嵌入式无监督特征选择算法,与传统的算法有很大的不同,不仅保证了选出特征子集的精确性,还充分保留了特征子集的平衡性。