医学的数字化发展带来了大量的生物医学数据,对这些数据的建模有助于研究人员诊断和治疗疾病,理解疾病的发病原理。生物医学数据主要分为生物组学数据和医学数据两种类型。生物医学数据具有复杂性,数据存在大量的冗余特征和噪声,很多特征可以被其他数据所代替,并且特征之间高度相关。对生物医学数据的精准建模及预测结果,关系到医学决策。生物医学数据挖掘的关键是设计出高性能模型。机器学习是生物医学领域建模分析的重要方法。特征选择是机器学习领域的重要技术,特征选择的目标是从数据的特征空间中找到产生最佳建模性能的特征子集。这样可以大幅降低特征维度,减少计算成本,有利于后续的建模。选择出来的特征子集既可以使模型具备更高性能,又能够更加直接地展示出数据的内在关联关系。传统特征选择算法难以在生物医学数据上获得良好的模型性能。整合式特征选择算法可以根据生物医学数据的特点,将多种特征选择方法组合在一起,从而获得更准确并且更稳定可靠的分类结果。针对生物医学数据特征选择中的关键问题,以转录组组学数据,甲基化组学数据和医学数据为对象,本文提出了3个整合式特征选择算法。研究内容概括如下:1.针对生物组学数据的高维度小样本和特征间的高冗余性,高相关性的问题,提出了动态递归特征消除（d RFE）框架。d RFE算法首先采用t检验对特征集合进行筛选,然后训练一个有监督的模型,分别删除不同个数的模型系数最小的特征进行测试,计算删除相应特征后模型的分类性能,选出在当前迭代中产生最佳模型性能的特征集合。在18个转录组组学数据和5个甲基化组学数据上的对比实验结果表明,d RFE算法在大多数情况优于现有的11种特征选择算法。2.针对高维生物组学数据中存在大量不相关特征和冗余特征的问题,提出了整合式群体智能特征选择算法Zoo。Zoo算法首先采用t检验筛选出1000个特征,然后整合了9种基于群体智能的特征选择算法,对所选特征进行投票,最后采用动态递归特征消除（d RFE）框架进一步细化特征子集。实验证明,Zoo算法在转录组组学数据集和甲基化组学数据集上的性能表现均优于现有的9种特征选择算法。3.针对医学数据的特征之间关系复杂和冗余性的问题,提出了整合种群自适应权重灰狼优化特征选择算法（PAWGWO）。首先提出新型自适应内部学习灰狼优化算子NAILGWO,以解决标准GWO算法仅向三个最佳的搜索代理学习,导致算法遗漏了其他搜索代理附近优秀解的问题。提出饥饿区域信息重启（HAIR）策略,每次迭代随机选择种群中的一部分灰狼,使其在其他优秀的搜索代理附近进行探索,以增强局部搜索能力。在8个医学数据集和24个其他领域的基准数据集上对PAWGWO算法进行性能评估,并与其他10种元启发式算法和8种非元启发式特征选择算法进行对比,实验证明了PAWGWO算法在大多数情况下优于现有的特征选择算法。