近年来,超高维数据分析与处理中的计算成本、统计精度、算法稳定性等方面问题,是当前人们关注的研究热点。超高维数据的特征筛选已经广泛地应用到生物影像,高频时间序列分析,肿瘤分类和经济预测等相关大数据问题之中。然而,对于解决超高维数据相关问题,现有的高维数据变量选择方法并不适用。于是,研究者依据变量之间相关性来构建筛选指标,针对不同模型不同数据类型提出了相应的边缘筛选方法,实例分析显示效果显著。本文没有遵从已有的根据变量之间相关性进行特征筛选的研究路线,而是从信息量的角度出发,根据信息熵反映变量所包含的信息量大小(基本思想是:如果协变量包含的信息量较少,说明它对响应变量所做的贡献较少,可以认为该协变量为不重要变量)来构建筛选指标,实现超高维数据特征筛选。针对两类别响应变量,本文依据不同类别条件下协变量的信息熵之间的差值建立筛选指标提出了条件信息熵特征筛选方法(CIES)。当响应变量为多类别数据时,在CIES筛选方法的基础上,结合响应变量的类别概率构建相应的筛选指标,提出了加权条件信息熵特征筛选方法(W-CIES)。理论上,这两种筛选方法均具有确定筛选性质,蒙特卡罗模拟也进一步证实了该性质。从模拟结果来看,这两种方法对超高维分类变量的筛选均具有显著的效果。由于本文的筛选指标是由信息熵和条件信息熵构建而成的,而信息熵又是由概率分布组成的,因此在理论证明上也得到了简化。并且该方法具有自由模型性质,适用于任何模型条件,在实际的应用中比较广泛。