高维数据用于给机器学习以及数据建模提供更多的信息,但同时带来了“维度灾难”、“数据稀疏”等问题。特征选择方法是一种典型的数据降维技术,能够从原始特征集中选择最佳特征子集,缩减数据规模,同时保留特征物理意义。森林优化特征选择算法表现出色,但存在的初始化方法的盲目性以及更新机制的局限性等问题限制了算法的性能。针对这些问题,本文对森林优化特征选择算法进行改进,有效优化特征选择。本文的主要研究内容如下:（1）针对森林优化特征选择算法存在的不足之处加以改进,提出自适应森林优化特征选择算法。在初始化过程中,加入特征权重评估算法,提出特征相关的自适应初始化策略;在更新机制上,使用自适应参数选择策略替代原始的更新机制,根据当前最优树的质量和迭代次数,动态确定参数值。在不同维度的UCI数据集和不同分类器上进行实验,结果表明:自适应森林优化特征选择算法有效提升了分类准确率,在中高维度数据集中,所提算法与支持向量机有较好的适配度。（2）本文在（1）的工作基础上,针对研究中发现的维度缩减率效果较差的问题,提出了自适应混沌映射森林优化特征选择算法。首先使用混沌映射算法生成能够充分覆盖解空间的初始森林;其次对适应度函数进行改进,使用自适应思想,在算法迭代前期,考虑算法的分类准确率,在迭代后期,加入优化维度缩减率的考虑。实验结果表明,在中高维度数据集中,自适应混沌映射森林优化特征选择算法在不降低分类准确率的同时,能够获得较小的特征子集。（3）为了验证本文提出算法的有效性以及进行相关应用研究拓展,选用田纳西-伊斯曼过程数据集进行故障检测实验。将（1）中提出的森林优化特征选择算法与支持向量机结合,构建一个动态过程的在线故障检测框架。首先在数据处理阶段,通过缩放将特征中的异常值限定在特定范围内,以此消除异常值影响,从而提高模型泛化能力。然后使用森林优化特征选择算法进行特征选择。最后使用多分类支持向量机进行故障检测,多分类支持向量机中每个分类器对应一个特定的故障,同时能够提供接口来更新故障数据库。实验结果表明,在具有高度非线性特征的故障案例数据集中,该框架不仅能够有效筛选出数据集中的优质特征,同时也提高了故障检测的准确率。