高维数据集引起的“维数灾难”问题不仅增加了计算内存和运行时间,而且会导致学习器分类性能的下降。而特征选择技术通过排除冗余和不相关的特征来减少数据维度,从而提高学习算法的性能。但在特征选择中,寻找最优特征子集是一个NP难问题,使用传统的贪婪式搜索方法极易陷入局部最优。而群智能算法中的蚁群优化算法因其出色的全局和局部搜索能力和灵活的图形表示方式而广泛应用于特征选择。但是当前基于蚁群算法的特征选择方法主要应用于低维数据集。对于高维度的数据集,特征选择的搜索空间呈指数增长,因此搜索最优特征子集变得极为困难。在本文中,我们提出了一种用于高维特征选择的两阶段混合蚁群优化算法。具体研究内容如下:（1）针对基于蚁群算法的两种常用的特征搜索空间的表示方式,通过实验分析确认在高维特征选择中全连接表示方式更为合适。此外,利用特征间固有的相关性属性来加速最优特征子集的搜索,并使用分类器评估进一步提升特征子集的分类性能,实验结果显示使用混合模型的蚁群算法相比单一模型方法更为优秀。（2）针对在高维数据集中通过人为的先验知识来确定选择的特征数目是很困难的,我们提出了两阶段蚁群算法,即在第一阶段通过区间策略来确定用于后续特征子集搜索阶段的特征数目。与确定最优特征子集大小并同时搜索的传统一阶段方法相比,提前评估部分特征数端点性能的额外阶段有助于降低整体算法的复杂性并缓解算法陷入局部最优。在十一个高维公共数据集上的测试结果表明,所提方法获得的特征子集在大多数数据集上具有最优的分类性能,且与其他基于蚁群算法的特征选择方法相比,运行时间也更短。（3）针对蚂蚁间几乎没有相互学习而只有迭代信息的学习,从而降低了算法全局搜索能力的问题,我们利用遗传算法中的交叉算子与种群中的特征访问次数设计了基于特征选择的交叉算子,使得选择出的特征子集的分类性能有了进一步的提升。此外,与传统常用特征选择方法相比,改进的两阶段混合蚁群算法更适合于高维特征选择。