En este documento, presentamos un novedoso método de selección de características no supervisado denominado factorización de matriz robusta con aprendizaje de estructura adaptativa robusta (RMFRASL), que puede seleccionar características discriminativas de una gran cantidad de datos multimedia para mejorar el rendimiento de tareas de clasificación y agrupamiento. RMFRASL integra tres modelos (factorización de matriz robusta, aprendizaje de estructura adaptativa y regularización de estructura) en un marco unificado. Específicamente, se propone un modelo de selección de características basado en factorización de matriz robusta (RMFFS) al introducir una matriz de indicadores para medir la importancia de las características, y se adopta la norma - como métrica para mejorar la robustez de la selección de características. Además, se diseña un modelo de aprendizaje de estructura adaptativa robusta (RASL) basado en la capacidad de autorrepresentación de las muestras para descubrir las relaciones de estructura geométrica de los datos originales. Por último, se diseña un término de regularización de estructura (SR) en la estructura de grafo aprendida, que restringe las características seleccionadas para preservar la información de estructura en el espacio de características seleccionadas. Para resolver la función objetivo de nuestro RMFRASL propuesto, se propone un algoritmo de optimización iterativo. Al comparar nuestro método con algunos enfoques de selección de características no supervisados de vanguardia en varias bases de datos públicas, se demuestra la ventaja del RMFRASL propuesto.