在音乐流派的自动分类中引入特征选择环节,不但可以降低特征向量的维数,还可以减少特征向量中的无关和冗余特征,从而提高分类器的工作效率。本文中我们实现了两种全新的特征选择算法,他们的核心思想是在特征选择的过程中考虑特征间的相互影响以及每个特征对于分类准确率的贡献度。第一个算法称为基于特征贡献度的特征选择算法(CBFS),该算法通过增减特征的方式计算每个特征对于分类准确率的贡献度,最后选择贡献度比较大的特征作为分类特征子集。第二个算法称为基于特征间相互影响的前向特征选择算法(IBFFS),它是对原始前向特征选择算法的改进。IBFFS扩大了前向特征选择的搜索空间,尝试了更多的特征组合,而且没有增加时间复杂度。最后,我们使用流派数据集George 2002[1]进行实验,两种算法分别得到了81.66%和80.63%的准确率,要明显高于使用其他特征选择算法所得到的分类准确率,由此验证了这两种新特征选择算法的有效性。