超高维右删失数据越来越多地出现在现代科学研究的各个领域,例如生物医学、经济学等等.特征筛选方法是分析该类数据必不可少的工具.本文研究了两类新的适用于超高维右删失数据的特征筛选方法.第二章研究了一类条件特征筛选方法.众所周知,现有的特征筛选方法大多是一种边际的方法,要么基于边际相关系数,要么基于边际回归系数估计.而边际筛选方法有一些重要的缺点.例如,它们不能选出与其它协变量联合对响应变量有影响但边际上对响应变量无影响的协变量;容易错选出边际上与响应变量相关性较高但实际上对响应变量无影响的协变量.另外,边际的筛选方法还会受到混淆变量的影响,原因在手混淆变量会导致虚假相关性的问题.事实上,在很多实际问题中,研究者事先知道某个(些)协变量对响应变量有重要影响.在变量筛选的过程中,应该考虑到先验信息.基于这样的考虑,第二章提出了一种新的使用于超高维右删失数据的条件特征筛选方法.该方法是基于条件典型相关系数和逆概率删失加权的技术构造的.新的方法对响应变量和协变量都具有稳健性,能用于处理它们服从重尾分布的情形.本章还建立了新方法的理论性质.本章还通过数值模拟评估了新方法在限样本下的表现.最后,本章把新方法应用到了实际数据分析中.第三章研究了一类稳健的特征筛选方法.稳健性一直是统计学研究的一个重要问题.稳健的统计方法具有更好的适应性,具有更广的适用性.本章通过质量再分配的技术把完全数据下的Copula相关性(CC)推广到了超高维右删失数据.由于构造中使用了分位数中的检验函数,因此新的方法具有很好的稳健性.此外,复合分位数的方法被用来进一步改进效率.本章还通过数值模拟评估了新方法在限样本下的表现,并把新方法应用到了实际数据分析中.第四章对本文进行了总结和讨论.