随着当代科学研究和技术发展的深入推进,超高维数据早已渗透到现代社会的各个领域当中.这一现状对统计学家而言既是机遇也挑战,一方面能够以低成本获取海量数据,另一方面传统的统计分析方法会因计算成本高、效率低下而不再适用.考虑到在超高维数据中仅有少数协变量与响应变量相关(稀疏性假设),统计学家开始关注并探索能够快速降低维数的特征筛选方法,试图先将数据的维度降到一般高维情形,再利用传统方法进行研究分析.而超高维判别分析数据作为超高维研究中的一个重要分支,在生物信息学、蛋白质组学、人脸识别、大脑图像、机器学习、社交网络分析等领域中都会有所涉及.因而,对超高维判别分析数据的特征筛选方法研究也显得尤为重要.本文从三个不同的角度,给出了针对超高维判别分析数据的特征筛选方法.首先,本文从条件分布的角度出发,构建了特征筛选指标(MS),用来处理超高维多分类数据.与现有的一系列筛选方法相比较,MS筛选方法具有以下优点.第一,不需要特定的模型假定.第二,当协变量服从重尾分布时,该指标具有较好的稳健性.第三,在相关条件的支撑下,所提出的特征筛选方法满足确定筛选性质和指标排序相合性,同时数值模拟和实例分析也进一步验证了方法的有效性.其次,本文注意到在给定类别下,倘若协变量的条件期望与无条件期望之间存在很大差异时,则认为该协变量能够影响分类结果.基于这一发现,本文利用条件方差与无条件方差的比值,提出了方差比确定独立筛选方法(VR-SIS).该方法可以直接应用于多类别情况,并且能够同时筛选出主效应和交互效应.另外,由于结构简单,计算成本也相对低廉,该方法在实际中可得到广泛的应用.本文通过蒙特卡罗模拟研究和两个实际数据分析来说明该方法适用于判别分类的有效性.最后,为研究各个协变量与响应变量之间的边际关系,本文通过考虑不同类别下协变量数值的差异来度量协变量对分类的贡献程度,若两者之间差异越大,则表明该协变量对分类影响越大.在此基础上本文构建了两分类下的无模型的Mann-Whitney特征筛选框架(MWS).进一步地,本文给出了多分类情形下的特征筛选指标.不难发现,提出的筛选方法具有模型自由的特点,而且由于协变量具有单调递增变换的不变性,该方法还可以用于研究响应变量与协变量之间的非线性关系.不容忽略的是,该方法对重尾分布具有很好的稳健性.此外,在不附加次指数尾部概率的条件下,本文建立了该方法的三种理论性质:确定筛选性质、指标排序相合性和控制错误率.本文还进行了数值模拟和实例分析,以评估筛选程序的有效性.