近年来,对数据挖掘中高维数据的研究越来越多。而在数据分析中,分类是一种有效的方法。但随着数据维数的不断增多,包含的一些不相关或冗余特征会增加分类难度。所以,在分类问题中,特征子集的选择和参数优化成为提高分类性能的两个重要因素。智能优化算法作为新兴的算法,通过模拟群体行为来解决复杂的实际问题。例如,人工蜂群算法通过模拟蜜蜂群体寻找优质蜜源的行为来解决问题,该算法借助启发式搜索策略,不仅有效进行局部搜索,还具有全局寻优能力。由于智能算法具有实现简单、适用性强的优点,因此,被广泛应用于模式识别、智能控制等领域。因此,本文提出基于人工蜂群算法的特征选择和支持向量机参数同步优化的算法,其目的是既能提高分类率又能减少特征维数。将提出的算法在UCI数据库上验证,结果表明提出的算法具有特征选择的能力,降低了数据维数,并能明显提高分类能力。与其他算法相比,本文提出的算法在特征选择和分类方面具有较好的结果。鉴于人工蜂群算法初始解的随机性,引入整数帐篷映射的概念对初始阶段和侦查蜂生成解的方式进行改进,并用标准测试函数验证算法性能,得出改进的算法加快了收敛速度同时提高了算法精度。同样也将改进的算法用于特征选择和参数优化,运用相同的数据集验证结果,发现改进后的算法分类率更高且选择的特征数目更少。最后,运用多目标人工蜂群算法对分类器进行设计,把分类率和特征选择作为两个目标,不设置权重。并对数据进行分类,优化得到的结果较前两种方法有所提升,而且决策者也可根据需要选择分类率高的结果或是特征数目少的结果。