特征选择是根据特征的相关性,冗余性等因素对数据集进行维度约简的过程,目前已在机器学习、数据挖掘和模式识别等众多领域的分类任务中得到了广泛的应用,是对相关领域数据进行预处理,进而提升算法性能的重要手段。在特征选择任务中,应在保证较高分类准确率的前提下,尽最大限度地降低所选择的特征数量,以达到降维的目的。近年来,元启发式算法因其在处理复杂现实问题方面的高效性受到了学者们的广泛关注。与此同时,许多元启发式算法作为包裹式方法被用于解决特征选择问题,灰狼乌鸦结合算法（hybrid Grey Wolf Optimizer and Crow Search Algorithm,GWOCSA）即为其中的一种。该算法集成了乌鸦搜索算法优秀的全局搜索能力与灰狼优化算法优秀的局部搜索能力,在二者之间实现了较为合适的平衡,具有很强的通用性。尽管如此,该算法仍存在一些不足之处。首先,GWOCSA在对种群进行初始化时,采用了完全随机的方式,这不仅不利于提升探索的广度,而且在一些较坏的情况下,如最优解为生成解的相反解时,对其探索将十分漫长。其次,GWOCSA在更新阶段只根据最优解和次优解来对每个搜索代理的位置进行更新,这不仅无法在全局搜索阶段保证种群的多样性,而且又容易在局部搜索阶段陷入局部最优解。再次,GWOCSA未对得到的解进行进一步优化,从而降低了整个种群接近最优解决方案的速度。最后,在移动策略与收敛策略上,GWOCSA未对全局搜索与局部搜索进行有效的平衡。针对以上不足,本文首先采用混沌映射与反向学习策略相结合的方式对种群进行初始化,拓宽了搜索的广度,提高了初始种群的多样性。其次,在更新阶段提出了新的全局搜索策略和新的局部搜索策略,其中引入了新的层级与随机搜索代理,有助于对搜索空间进行更宽泛地探索并跳出局部最优解。随后,采用与差分进化算法相结合的方式,利用其变异、交叉和选择操作提高种群的质量。接着,用新提出的FIMO（Further Improve and Optimize）策略对最优解和最差解进行进一步优化。此外,还对移动策略与收敛策略进行了改进,使全局搜索与局部搜索达到了更有效的平衡。最后,采用新的传递函数对得到的连续解进行二元化,以用于解决特征选择问题。本文将改进后的算法记为BIGWOCSA（Binary Improved hybrid Grey Wolf Optimizer and Crow Search Algorithm）,实验阶段共在20个UCI数据集上对其性能进行了测试,并与近年来提出的11个基于元启发式的特征选择算法在平均适应度值、平均分类准确率和平均所选特征数量上进行了比较。结果表明,BIGWOCSA在平均适应度值和平均分类准确率上具有明显的优势,在平均所选特征数量上也具有很强的竞争力。此外,Wilcoxon检验的结果表明BIGWOCSA与其他特征选择算法的结果具有统计学上的差异。