针对高维数据含有的冗余特征影响机器学习训练效率和泛化能力的问题，为提升模式识别准确率、降低计算复杂度，提出了一种基于正则互表示（RMR）性质的无监督特征选择方法。首先，利用特征之间的相关性，建立由Frobenius范数约束的无监督特征选择数学模型；然后，设计分治-岭回归优化算法对模型进行快速优化；最后，根据模型最优解综合评估每个特征的重要性，选出原始数据中具有代表性的特征子集。在聚类准确率指标上，RMR方法与Laplacian方法相比提升了7个百分点，与非负判别特征选择（NDFS）方法相比提升了7个百分点，与正则自表示（RSR）方法相比提升了6个百分点，与自表示特征选择（SR_FS）方法相比提升了3个百分点；在数据冗余率指标上，RMR方法与Laplacian方法相比降低了10个百分点，与NDFS方法相比降低了7个百分点，与RSR方法相比降低了3个百分点，与SR_FS方法相比降低了2个百分点。实验结果表明，RMR方法能够有效地选出重要特征，降低数据冗余率，提升样本聚类准确率。