随着数据采集技术的高速发展，采集到的数据维数激增，需进行维数约简后才能应用于各种后续操作。传统的维数约简方法未考虑到数据集的类不平衡和误分类代价不等的特点，直接将该方法应用到这类数据集中会使约简后的特征子集向分类精确度高的方向收敛，容易丢失对少数类有重要意义特征变量。因此，针对数据集类不平衡和误分类代价不等的特点进行维数约简方法的研究具有重要意义。　　 本文针对典型复杂工业过程数据集中变量间强相关性、类不平衡、误分类代价不等以及标注代价昂贵的特点，研究了基于代价敏感学习和半监督学习的维数约简方法。主要研究工作如下:　　 (1)针对数据集类不平衡和误分类代价不等的特点，以特征子集误分类代价最小期望作为维数约简的评价准则，分析推导了该评价准则的鲁棒性和正确性。针对真实数据集的特征变量为连续值的特点，提出了有监督代价敏感维数约简方法，该方法将离散化方法和基于聚类的采样方法引入特征子集误分类代价最小期望的计算中。　　 (2)针对数据集的有标注样本少，无标注样本多以及标注代价昂贵的特点，将半监督学习方法引入到代价敏感维数约简方法中，提出了基于生成模型的半监督代价敏感维数约简方法(SCSDR)，并根据误分类代价最小期望得出了多个特征子集选择的方法。　　 (3)基于人造数据集上的实验表明，有监督代价敏感维数约简方法在性能指标评价上优于FCBF(fast correlation-based filter)等4种过滤式维数约简方法，证实了方法的有效性，实验结果表明影响该方法时间复杂度最重要的因素是特征变量的维数。基于真实数据集上的实验结果表明，SCSDR得到的特征子集在性能上与S2PPCA等半监督降维方法相当。将SCSDR应用到氧化铝蒸发过程数据集中，得到3个分类精确度高的特征子集。