随着数据规模递增,数据挖掘难度也随之增加,机器学习处理高维数据集时性能也有所下降。特征选择作为数据挖掘的重要手段之一,能够选择出较高信息量的特征子集并保证分类准确率。同时还可以过滤冗余信息,降低数据维度,增强后续算法的表现性能。为了有效研究特征选择,本文将利用元启发式算法——灰狼优化算法解决该问题。灰狼优化算法是根据生物界中灰狼种群层级和活动行为而设计出的算法,能够平衡探索和开发过程,呈现良好收敛能力。但是灰狼优化算法用于解决特征选择问题时,仍然在搜索范围、优化等过程中存在缺陷。首先,对于灰狼算法搜索后期容易陷入局部最优的情况,本文通过禁忌搜索策略,提出了禁忌灰狼算法（TGWO）。该算法旨在不改变灰狼群体迭代的更新方程的基础上,利用禁忌表对多次历史搜索情况进行记录,在之后的迭代过程中能够有效的避免了灰狼种群的无效迭代,快速找出特征子集。其次,为了增强灰狼种群子代搜索能力,本文提出了灰狼化学反应算法（CRGWO）。在灰狼种群追寻猎物的移动过程中,针对狼群设计了五种不同的化学反应策略,分别为:灰狼氧化还原1反应、灰狼分解反应、灰狼氧化还原2反应、灰狼置换反应和灰狼合成反应,对种群子代进行更新,生成拥有更好表现的全新灰狼个体。通过该算法能够有效提升灰狼种群的下一代个体质量,加快收敛速度。结合上述内容,将两种特征选择算法,均经过相同的转换函数处理,搜索二维特征空间。评价指标包括适应度、精确率和特征子集数量等,能够对算法做出一个全面的评价。实验结果与元启发式算法如粒子群优化算法、花粉算法、鲸鱼优化算法、蝙蝠算法、原始灰狼算法和最新的二阶段变异灰狼算法进行了比较。大量数据实验表明,本文所提出的算法都有良好的可解释性和较强的选择性能,对解决特征选择问题有重要的意义。