特征选择是当前人工智能领域，尤其是机器学习领域的研究热点之一。随着人工智能和计算机科学技术的迅速发展，特征选择在理论和应用方面均得到了较大的发展。特征选择不仅可以去除数据的冗余特征信息和无关特征信息从而提高原始数据的质量，而且还可以大大降低数据挖掘的成本。 本文主要讨论新型学习技术如集成学习和半监督学习中特征选择的研究及其相关应用。在集成学习方面，本文主要采用互信息的方法进行特征选择的研究和分析。在半监督学习方面，本文采用KNN作为基学习器，运用嵌入式的特征选择方法进行了深入的探讨。 本文的主要工作在于以下两点：1)在集成学习中引入了互信息准则，从而提出并论证了基于互信息准则的选择性集成学习算法MISEN；2)在半监督学习中，改进了原有的半监督学习算法，并在特征选择的基础上提出了基于嵌入式特征选择的Co-Training算法FESCOT。 在多个标准数据集上的实验证明，本文所提出的算法比原有算法有更好的性能。同时，这些算法在大脑胶质瘤诊断和药物活性预报等现实问题上得到了很好的应用，体现了良好的应用性。