21世纪以来,硬件成本不断下降,软件算力不断增强,IT领域正式进入数据爆炸的全新时代。同一时期,机器学习凭借自身能够从历史经验中改善提升算法性能的卓越优点,再度焕发出新的生命活力。特征选择是重要的数据预处理手段,也是机器学习研究领域的重点内容与重要任务,它能够有效地降低数据特征的空间复杂度、减少分类器学习时间并提高分类精度,选择的特征将直接影响后续机器学习模型的性能。特征选择依据自身与分类模型的关系,一般分为过滤式、包裹式和嵌入式,而按照特征子集的生成方式又可分为随机搜索式和启发搜索式。近年来,包裹式的特征选择研究收到了众多研究者的关注,其中较为经典的研究是基于启发式的包裹式特征选择算法,而更为新颖的研究便是随机搜索一类中基于群体智能（SI,Swarm Intelligent）的包裹式特征选择选择。本文基于以上两类研究内容改进提出了两种包裹式特征选择算法,它们分别为基于群体智能的二进制麻雀特征选择算法BSFSA（Binary Sparrow Feature Selection Algorithm）与基于启发式的特征选择算法LGBFS（LightGBM Feature Selection）。麻雀搜索算法（SSA,Sparrow Search Algorithm）是一种基于麻雀智能行为的SI算法,其考虑麻雀的社会组织及其对环境的适应性来求解决连续优化问题,本文对其做出三点改进并应用于特征选择:为淘汰随机初始化产生的劣势解,采用混沌初始化结合反向学习作为新的初始化策略;在更新解阶段为跳出局部最优,引入差分进化对原有解进行交叉变异;贪心选取多组解中的最优解作为下代解;为将连续优化类的SSA适应离散类的特征选择,选择三种转移函数进行二值化并最终选取对分类效果提升最大的S（Sigmod）型转移函数。为验证BSFSA性能,选取KNN（K-nearest neighbor）作为分类器,应用于特征选择领域广泛使用的21个UCI标准数据集,与7种基于SI的特征选择算法和2种过滤式特征选择算法在适应度、分类精度和维度缩减率等方面进行对比,实验结果表明BSFSA能够出色兼顾特征子集的分类精度与维度缩减能力,相较对比算法具有一定优势。此外,本文对BSFSA的稳定性与显著性进行了分析验证,给出了标准差并和差显著性检验,结果表明BSFSA稳定性较好且,与对比算法存在显著区分。LightGBM是一种能够高效处理分类问题的机器学习框架,本文引入LightGBM对原始特征构建迭代提升树模型,随后利用树形结构的两种启发式信息对特征重要度进行度量,并结合提出的一种改进LR序列浮动前向搜索策略LRSFFS对原始特征进行选择,最终形成本文提出的基于LightGBM的特征选择算法LGBFS。为检验其性能,将其与9种主流特征选择算法在21个UCI标准数据集上进行分类精度、维度缩减能力以及CPU耗时的对比实验,实验结果显示,LGBFS能够出色地平衡CPU耗时与分类精度,同时也能得到具有较高维度缩减率的特征子集。为论证实验结果的有效性,又给出了必要的显著性检验和时间复杂度分析,结果表明,LGBFS与对比算法具有显著区分,其CPU耗时的高效具有足够的合理性。