特征选择能够消除数据集中无关、冗余和误导性的特征,在降低机器学习算法计算消耗的同时,提高算法的分类性能,有效地避免“维度灾难”。特征选择方法有很多,使用群智能优化算法应用于特征选择是当前的研究热点。粒子群优化算法是一种常见的群智能优化算法,因为具有易扩展、易实现和寻优效果强等优点,对其进行改进并应用于特征选择领域已引起许多研究人员的关注,本文对基于改进粒子群优化算法的特征选择方法进行研究。首先,本文通过分析特征选择问题的特点,将其转化为一个二元解空间的优化问题并建立了数学模型,其中,模型中的目标部分由最大化分类准确率和最小化特征选择数量两个目标通过线性加权法转化而成。其次,本文通过分析标准粒子群算法本身存在的缺点以及其在解决特征选择问题时表现出的局限,提出一种改进的二进制粒子群算法（Enhanced Binary Particle Swarm Optimization,EBPSO）,将该算法应用到包装器特征选择方法中,形成一种基于EBPSO的特征选择方法来求解构建的特征选择模型。为了使算法能够更好地求解特征选择问题,EBPSO中引入一种基于动态惯性权重和极值莱维飞行的速度更新策略,以满足算法初期和末期分别对全局搜索和局部搜索的需求,并使粒子的搜索引入更多随机性;同时,EBPSO为避免陷入局部最优引入一种基于极值检测的哨兵变异方法,在保证种群多样性的同时不会失去表现优秀的解。另外,算法引入一种基于优秀个体的种群复制方法以保证种群优秀个体的数量与质量。为了使算法适用于二元解空间的特征选择问题,EBPSO使用一种新颖的二进制映射方法将解由连续空间映射到二维空间。再次,为验证所提出算法的效果,使用来自UCI机器学习库中的经典数据集构成维度不同的特征选择问题,对本文提出的方法进行多组不同角度的仿真实验。实验结果表明,EBPSO在求解特征选择问题时,表现出良好的求解效果,并且优于四个广泛应用的基本算法和两个其他文献中基于PSO进行改进的算法;通过对EBPSO中各个改进因子的单独实验,验证并分析各个改进因子的有效性。最后,本文总结研究工作的内容,对工作中体现出的不足进行分析,并对今后的工作进行展望。