Dans cet article, nous abordons le problème de la sélection de variables semi-supervisée à partir de données de grandes dimensions. Nous présentons une approche "filtre" combinant deux scores récemment proposés : Le score Laplacien et le score de contraintes. Nous évaluons la pertinence d'une variable selon sa capacité à préserver la structure géométrique d'une part et son pouvoir discriminant d'autre part. Le problème est ainsi expliqué dans le cadre de la théorie spectrale de des graphes. Enfin, des résultats expérimentaux seront fournis pour valider notre approche et la comparer avec d'autres méthodes représentatives de sélection de variables.