Con el crecimiento exponencial de datos no etiquetados de alta dimensionalidad, la selección de características no supervisada (UFS) ha atraído considerable atención debido a su excelente rendimiento en el aprendizaje automático. Los métodos UFS existentes asignaron implícitamente la misma puntuación de atributo a cada muestra, lo que desestimó la distinción de las características y debilitó el rendimiento de agrupamiento de los métodos UFS en cierta medida. Para aliviar estos problemas, se propone un nuevo método UFS, llamado selección de características no supervisada con término de penalización de relación latente (LRPFS). En primer lugar, el aprendizaje latente está diseñado de manera innovadora asignando explícitamente una puntuación de atributo a cada muestra según su importancia única en los resultados de agrupamiento. Con esta estrategia, la interferencia de ruido inevitable se puede eliminar de manera efectiva mientras se mantiene la estructura intrínseca de las muestras de datos. En segundo lugar, se incorpora un modelo disperso apropiado en el término de penalización para optimizar aún más sus roles de la siguiente manera: (1) Impone posibles restricciones en la matriz de características para garantizar la unicidad de la solución. (2) La interconexión entre las instancias de datos se establece mediante una situación de relación por pares. Experimentos extensos en conjuntos de datos de referencia demuestran que el método propuesto es superior a los algoritmos relevantes de última generación con una mejora promedio del 10.17% en términos de precisión.