随着人们对特征选择算法的广泛关注和大量研究,特征选择中的过滤、封装以及二者混合模型已被广泛应用于不同领域中。近年来,以启发式算法为基础的封装模型以及混合过滤封装模型在特征选择算法中逐渐成为研究热点,布谷鸟算法由于其容易实现,参数较少,计算成本相对较低,并且可以较快地达到收敛效果而备受重视。本文主要对特征选择算法做了相应的研究,针对混合过滤封装模型所涉及的启发式算法中的二进制布谷鸟算法,提出了改进的二进制布谷鸟算法(Modified Binary Cuckoo Search,MBCS),并将其与特征选择混合过滤封装模型相结合,最终将基于MBCS的混合过滤封装特征选择算法应用于乳腺X光图像的分类中。论文的主要研究内容如下:(1)提出了改进的二进制布谷鸟算法。为了进一步减少二进制布谷鸟算法的运行时间,并提高算法效率,论文主要将映射函数的系数改为变化值,以达到一种自适应的效果;其次,针对二进制的特点使用遗传算法中的变异算子替代原始算法中的发现概率。通过在常用的0-1背包数据集上进行实验,并与已有算法进行比较,改进的方法进一步提高了算法运行速度,且改进的方法更容易跳出局部最优解。(2)提出了基于MBCS的混合过滤封装特征选择算法模型。过滤算法直接对整个数据集进行特征评估,运行速度快,但分类准确率相对较低;封装算法利用后续学习算法的训练准确率评估特征子集,分类准确率相对较高,但计算量较大,不太适合大规模数据集。文章针对这一问题,将MBCS引入特征选择的混合过滤封装模型中,实验结果表明,所提出的方法保持了封装方法已有的高分类性能,并且进一步缩短了计算时间,同时,所选择特征子集的规模再次缩小。(3)提出了基于MBCS的混合过滤封装特征选择算法的医学图像分类新方法。为了拓展文章所提出的基于MBCS的混合过滤封装特征选择算法在现实数据集的分类应用,将基于MBCS的混合过滤封装特征选择算法应用到乳腺X光图像数据集的分类中。数据集的原始来源是乳腺X光图像的常用标准数据集MIAS(Mammography Image Analysis Society),对原始图像进行预处理方法后使用灰度共生矩阵方法提取图像纹理特征来构造特征数据集,应用基于MBCS的混合过滤封装特征选择算法对得到的特征数据集进行特征选择,经过实验与其他三种特征选择算法对比平均分类准确率可以看出,提出的基于MBCS的混合过滤封装特征选择方法可以在MIAS数据集上得到比较理想的分类结果。