非监督特征选择是机器学习领域的热点研究问题，对于高维数据的降维和分类都极为重要。数据点之间的相似性可以用多个不同的标准来衡量，这使得不同的数据点之间相似性度量标准难以一致；并且现有方法多数通过近邻分配得到相似矩阵，因此其连通分量数通常不够理想。针对这两个问题，将相似矩阵看作变量而非预先对其进行设定，提出了一种基于图结构优化的自适应多度量非监督特征选择（SAM-SGO）方法。该方法将不同的度量函数自适应地融合成一种统一的度量，从而对多种度量方法进行综合，自适应地获得数据的相似矩阵，并且更准确地捕获数据点之间的关系。为获得理想的图结构，通过对相似矩阵的秩进行约束，在优化图局部结构的同时简化了计算。此外，将基于图的降维问题合并到所提出的自适应多度量问题中，并引入稀疏l2，0正则化约束以获得用于特征选择的稀疏投影。在多个标准数据集上的实验验证了SAM-SGO的有效性，相比较于近年所提出的基于局部学习聚类的特征选择和内核学习（LLCFS）、依赖指导的非监督特征选择（DGUFS）和结构化最优图特征选择（SOGFS）方法，该方法的聚类正确率平均提高了约3.6个百分点。