近年来,机器学习和人工智能迅猛发展,广泛用于人们的日常生活中,为社会带来了巨大的影响。特征选择的任务是选择相关特征并丢弃不相关或冗余的特征。然后机器学习算法利用这些包含更多有用信息的特征学习更好的模型从而提高分类性能。近年来,将多个模型的输出结合起来的集成学习通常比单个模型表现更优。因而,特征选择也与集成学习相结合实现集成特征选择以期望进一步提高机器学习的性能。现有的大多数集成特征选择方法都只通过最小化训练误差来选择多个特征子集。但是,机器学习的关键是提高模型的泛化能力,即准确预测未来未知样本的能力。具有好的泛化能力的模型不仅在训练数据中获得了良好的训练效果,而且在输入发生微小变化时仍保持稳定。过度强调最小化训练误差会导致过度拟合,因此模型对于输入数据的特征的细微变化过于敏感。这样模型无法很好地泛化到未来样本上。同时,目前的很多集成特征选择方法单独地选择多个特征子集。但是,最终分类模型是由这些特征子集训练的一组子模型的集成。多个子模型之间可能存在相互作用从而限制分类性能上的任何进一步改善。针对现有方法存在的以上问题,本文提出了一种利用径向基函数神经网络(Radial Basis Function Neural Network,RBFNN)的基于训练误差和敏感度的集成特征选择(training error and sensitivity-based ensemble feature selection,TESEFS)方法。将训练误差和整体灵敏度作为两个目标函数,然后利用多目标遗传算法NSGA-III(Non-Dominated Sorting Genetic Algorithm III)为所有基本分类器选择最佳特征子集。在18个数据集上的实验结果显示,所提出的方法优于最新的集成特征选择方法,并在大多数情况下取得了显著的提升。