随着大数据时代的到来,人们面对数据的体量变得越来越大,但数据的价值密度越来越小,这使得从数据中挖掘价值变得越来越困难。在机器学习中,对象通常包含大量特征,其中可能只有一小部分特征对学习结果有影响。从大量特征中筛选出有用特征,能够有效降低数据维度,提高机器学习的效率。但特征集的子集数量随特征数量增长而呈指数级增长,传统的特征选择方法无法应对大数据环境下解空间组合爆炸的问题。针对高维特征选择问题中的难点,本文利用启发式算法的高效搜索能力,提出了一种基于启发式算法的特征选择方法,以及一种基于启发式算法的生成对抗网络训练方法,并将二者结合用于不平衡数据分类。本文的主要成果和创新点如下:(1)提出了一种灰狼-水波混合优化算法,将原始的灰狼优化算法(Grey Wolf Optimization,GWO)与水波优化算法(Water Wave Optimization,WWO)进行混合,在没有影响原始灰狼优化算法全局搜索能力的情况下,增强了其局部搜索能力,并将其应用在特征选择中,实验结果表明该方法显著地提升了普通分类器的分类准确率。(2)设计了一个基于特征选择的Wasserstein生成对抗网络模型(WGAN-EFS),在生成器和判别器的对抗训练中加入了数据的特征选择,并利用启发式算法优化了生成对抗网络的结构。测试了多种启发式算法,其中生态地理学优化算法(Ecogeography-Based Optimization,EBO)对生成对抗网络的结构优化以及数据的特征选择表现出了较好的能力,并将该模型应用于高维的不平衡数据的分类,通过该网络改变不平衡数据的比例,实验结果表明该方法显著的提高了不平衡数据在分类上表现。