提出一種基于偏最小二乘回歸的魯棒性特征選擇與分類算法（ RFSC-PLSR）用于解決特征選擇中特征之間的冗余和多重共線性問題。首先，定義一個基于鄰域估計的樣本類一致性系數(shù)；然后，根據(jù)不同后近鄰（kNN）操作篩選出局部類分布結(jié)構(gòu)穩(wěn)定的保守樣本，用其建立偏最小二乘回歸模型，進(jìn)行魯棒性特征選擇；最后，在全局結(jié)構(gòu)角度上，用類一致性系數(shù)和所有樣本的優(yōu)選特征子集建立偏最小二乘分類模型。從UCI數(shù)據(jù)庫中選擇了5個不同維度的數(shù)據(jù)集進(jìn)行數(shù)值實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，與支持向量機(jī)（ SVM）、樸素貝葉斯（NB）、BP神經(jīng)網(wǎng)絡(luò)（BPNN）和Logistic回歸（LR）四種典型的分類器相比，RFSC-PLSR在低維、中維、高維等不同情況下，分類準(zhǔn)確率、魯棒性和計算效率三種性能上均表現(xiàn)出較強(qiáng)的競爭力。