分类是数据挖掘和机器学习领域中最基本、最具代表性的问题,精准且高效的分类是许多科学研究和应用工程的基础。进化计算（Evolutionary Computation,EC）技术由于具有较好的全局寻优能力,已成功地应用于解决许多问题,例如:分类问题,特征选择问题等。其演化出的进化分类模型便是用于求解分类问题的方法之一。近年来,头脑风暴优化算法（Brain Storm Optimization,BSO）被用来实现进化分类模型,并取得了预期的效果,这意味着利用EC技术直接求解分类问题是可行的。然而,现有的进化分类模型仍存在一些不足。例如,进化分类模型的结构与数据集的维数密切相关,而在实际的数据集中往往存在着大量冗余、不相关或噪声的特征,这可能导致计算繁复、学习效率低下,从而影响模型的分类性能。此外,在优化过程中,BSO算法在寻优过程中不能很好地保留优势解的信息,这也可能导致其分类性能受到限制。为从不同角度优化进化分类模型的性能,进而更好地求解分类问题,本文主要做了以下研究工作:（1）进化分类模型结构的复杂性完全依赖于数据集的维度。从优化进化分类模型的结构,提高分类模型性能的角度出发,本文引入了特征选择的概念,提出了两种基于特征选择的进化分类模型:基于结构的进化分类模型和基于结构及其权重参数的进化分类模型。1)基于结构的进化分类模型以最高分类准确率为目标函数,利用BSO算法的全局优化能力,不断搜寻具有更高分类准确率和更小解的最优特征子集（模型结构）,使得在确保分类性能的同时降低模型结构的复杂性。2)由于不同的特征子集均有其相应的最优权重参数,但在搜索最优特征子集的过程中,并没有搜索与之相对应的最优权重参数,易导致损失较优特征子集。在此基础上,本文进一步提出了基于结构及其权重参数的进化分类模型。一方面,利用BSO算法搜索最优模型结构;另一方面,利用BSO算法搜索不同结构下的最优权重参数,以防止因权重参数的不匹配而丢弃更优的特征子集。文中通过实验验证了这两种引入特征选择来降低模型结构,进而改善模型分类性能方法的有效性。（2）针对BSO算法寻优能力的局限性,改进BSO算法的搜索策略,提出改进的头脑风暴优化算法（Improved Brain Storm Optimization,IBSO）。在IBSO算法中,通过保留BSO算法的头脑风暴过程,将全局最优、局部最优以及最近邻三种搜索策略嵌入到BSO算法中,既可以更好地保留了优势解的信息,又增加了优势解之间的信息交换,提高了算法的局部开发和全局探索能力。此外,在针对BSO搜寻最优特征子集的过程中,我们使用了四种传递函数来约束特征子集的值域处于二元值区间中。实验结果验证了IBSO算法中的三种搜索策略具有较好的性能,可以改善BSO算法中在求解分类问题时的能力。