特征选择就是从给定的特征集合中选出相关特征子集合以减少数据的维度。在分类任务中,特征选择不仅能够减少计算开销也能够提高分类准确率。进化算法和群体智能算法具有高鲁棒性和全局优化等优点,被广泛应用在特征选择中。在特征选择的实际应用中,不仅需要高分类率也需要较低的计算成本。基于这两个优化目标,现有的进化算法和群体智能算法大多对特征选择问题进行多目标优化,以及部分单峰优化的研究。其实,特征选择具有潜在的多模态特性,多峰优化算法在特征选择中具有更多的研究价值。多峰优化算法应用在特征选择问题中,可以找出多个不同的特征组合最优解,这些分类结果相同的特征组合可以为决策者提供更多的选择空间,以及挖掘这些特征的潜在价值。基于在特征选择中多峰优化的需求,本论文提出了两个多模态差分进化算法用于解决特征选择问题。本论文的创新点如下:（1）多峰优化算法应用在特征选择。与现有主流研究的单峰优化算法不同,本文使用多峰优化算法解决特征选择问题,研究特征选择中的多模态特性。（2）与传统差分进化算法的进化方式不同。为了减少算法对参数的敏感,在提出的多峰算法中使用高斯采样方式进行变异操作。每个个体的变异都是以自己小生境中最优个体位置作为均值,只需要单独设置标准差参数。（3）融合小生境技术。在提出的算法中,分别融入两种不同的小生境技术分割种群:聚类和物种。为了避免小生境之间重叠以及小生境内部个体合并,在种群进化的每一代,都会重新划分小生境以增大小生境内个体相似性,减少小生境之间的相似性。在种群更新时,使用拥挤小生境技术筛选出下一代种群,这种方式更能够扩大种群的多样性。同时,针对特征选择的离散型问题,使用汉明距离作为测量方式。在分类器上,本文研究了六种不同分类器下的多峰算法寻优能力。本文将最高分类率和最多山峰数等作为本文的主要评价指标并和一些前沿多峰算法和单峰算法作比较,实验结果证明本文提出来的算法不仅能够找出更高分类率,而且能够发现更多不同特征组合。