在大数据时代,数据量的迅猛增长以及数据的多样性给机器学习和数据挖掘任务带来了挑战。特征选择作为特征工程中一个重要的模块,其目标是筛选出与任务相关的特征子集,同时剔除掉冗余度高的特征。一方面,特征选择减小算法的计算消耗,提高算法模型的精确度。另一方面,简化后特征模型具有更好的解释性。在许多应用中,获得一条数据很容易,然而获得一条具有完整标签的数据则相对比较难。因此,许多应用的训练数据通常由少量标记数据和大量标记缺失的数据组成。本文关注的半监督特征选择就是针对此类数据进行特征选择。核密度估计作为一种无参密度估计方法,不需要事先假设数据分布。某个样本取值的密度函数值可以看作为其他所有样本对其造成影响的平均值。目前,核密度估计被广泛应用在图像/视频标注,信号处理,网络故障诊断等领域。本文将核密度估计分别应用到基于信息论的特征选择和基于稀疏模型的半监督特征选择中,提出了如下两种基于核密度估计的半监督特征选择算法。(1)基于核密度估计熵的半监督特征选择方法。对于传统的基于信息论的特征选择方法,核密度估计避免了连续数据离散化,从而避免了因离散化造成的信息丢失。本文将基于核密度估计熵的特征选择方法扩展到半监督数据应用场景中。该方法采用前向启发式方法进行特征选择,将互信息作为评价特征子集的衡量标准,将核密度估计中的核函数作为距离度量。根据距离越近则权重越大的原则,利用其它标记数据与未标记数据的关系,计算每个未标记数据属于各个标签类的概率。然后,将核密度估计熵从完整标签场景扩展到标签部分缺失场景。分类实验和多标记学习实验证明了该方法的有效性。(2)基于核密度估计的稀疏半监督特征选择。基于稀疏和图模型的半监督特征选择使用稀疏模型来进行特征选择,使用基于图模型的半监督学习来学习样本的标签概率分布。半监督核密度估计是一种半监督学习方法,其通过贝叶斯定理,扩展了基于核密度估计的后验概率,使得未标记数据与已标记数据统一。通过迭代优化求解后验概率,即数据的标签概率分布。我们将半监督核密度估计的学习思想应用到基于稀疏模型的半监督特征选择中。实验证明相比基于稀疏和图模型的半监督特征选择该方法有良好的性能。