金融资产投资组合的风险最小化问题一直是投资者和研究者们关注的热点。在金融风险管理中,二分类问题是非常重要的问题之一。在分类问题中,特征选择扮演着一个及其重要的角色。本文给出基于贝叶斯决策论的特征选择算法,期望能够筛选出影响分类结果的主要特征,并能够较大程度提高最后分类模型的分类准确率:(1)假设样本集所有特征均是独立不相关的,本文基于此假设给出了基于贝叶斯决策论的逐步向后算法。(2)在现实生活中,常常出现属于同一类别的样本但它们的某些特征值并不相似的情况,而不相似的特征值最终将会影响分类结果,故本文给出了基于LMNN-贝叶斯决策论的逐步向前算法。为验证提出的特征选择方法的优越性,本文给出了数值模拟,通过与传统的逐步回归进行比较,最终分析得出新的特征选择方法有更好的分类效果,同时对噪声特征有更高的敏感性。最后,本文针对中国债券市场存在的可投资与不可投资债券的二分类问题,基于本文提出的LMNN-贝叶斯决策论特征选择算法和CVaR最小化二分类模型相结合的新模型,将其应用到中国债券市场的信用评级数据中,通过与常规的CVaR最小化二分类模型作对比,我们发现前者的分类效果显著优于后者,同时还筛选出影响债券评级的重要特征,具有一定的实用价值。