Los métodos de selección de características son ampliamente utilizados en tareas de aprendizaje automático para reducir la dimensionalidad y mejorar el rendimiento de los modelos. Sin embargo, los métodos tradicionales de selección de características basados en regresión a menudo sufren de falta de robustez y capacidad de generalización y son fácilmente afectados por valores atípicos en los datos. Para abordar este problema, proponemos un método robusto de selección de características basado en regresión dispersa. Este método utiliza una forma no cuadrada de la norma L2,1 tanto como función de pérdida y término de regularización, lo que puede mejorar efectivamente la resistencia del modelo a los valores atípicos y lograr la selección de características simultáneamente. Además, para mejorar la robustez del modelo y prevenir el sobreajuste, agregamos una variable elástica a la función de pérdida. Diseñamos dos procesos iterativos convergentes eficientes para resolver el problema de optimización basado en la norma L2,1 y proponemos un algoritmo robusto de regresión dispersa conjunta. Los extensos resultados experimentales en tres conjuntos de datos públicos muestran que nuestro método de selección de características supera a otros métodos de comparación.