基于进化优化的特征选择,简称进化特征选择,是一种有效的数据降维方法。该方法能够通过全局搜索策略找到较优的特征子集,目前已经成为解决特征选择问题的热门技术。然而,随着信息技术的快速发展,数据的规模呈现指数式的增长,样本规模大、特征维数高的数据越来越普遍,而且很多数据还具有类不均衡的特性。现有进化特性选择方法仍然存在执行代价大和易于局部收敛等不足。鉴于此,本文针对大规模高维数据,结合进化优化算法的全局搜索能力和过滤式特征选择算法的快速搜索能力,提出了两种基于粒子群优化的特征选择算法。论文主要工作有以下两个方面:（1）针对传统的大规模高维数据,提出一种多代理辅助的两阶段集成特征选择算法。第一阶段利用过滤式集成方法删除不相关特征或者相关程度较小的冗余特征,第二阶段使用基于粒子群优化的封装式集成方法从剩余特征中选出最优的特征子集。进一步,为减少算法处理大规模数据的代价,利用多种类型的代表样本集合替代整个原始数据集,给出种群的多个代理模型辅助搜索机制。最后,将算法应用在多个数据集,并通过使用多个具有代表性的算法进行了对比,结果显示,该方法能够在较短运行时间内获得具有高分类精度的特征子集,是一种鲁棒性好且竞争力强的特征选择算法。（2）针对具体类不均衡特性的大规模数据集,提出一种代理辅助的多阶段集成粒子群特征选择算法。第一阶段使用一种过滤式集成特征选择方法快速删除不相关或弱相关特征,第二阶段利用一种代理辅助的粒子群特征选择方法删除冗余特征,第三阶段采用一种局部精英搜索策略修正第二阶段得到的特征子集。进一步,为减少第二阶段中粒子群特征选择方法的执行代价、避免类不均衡性带来的分类误差,提出一种基于K近邻的代表样本选择策略,对大类和小类分别构建其代表样本集。最后,将提出的多阶段集成特征选择算法用于9个不均衡数据集,并将其与多种特征选择算法进行对比,实验结果表明,所提算法可以在减少计算时间的基础上得到分类精度好的特征子集,能够有效处理数据集存在的类不均衡现象。本文共包含图6幅,表24个,参考文献125篇。