特征选择在模式分类过程中发挥着重要作用,选择的特征正确与否直接关系到分类结果的正确率,因此特征选择方法直接影响着系统的性能和质量。但是目前的多数特征选择方法都存在容易陷入局部最优的问题,为了能够快速准确的找到最小特征子集从而更好的实现分类,本文对特征选择方法进行了大胆的探索和尝试。蚁群优化算法作为一种群集智能算法,具有群集智能算法能够解决大多数全局优化算法的优点,蚁群优化算法是一种求解组合优化问题的新型通用启发式方法,蚁群优化算法具有正反馈、分布式计算和自组织性的特点,它是一种贪婪启发式搜索方法。而在实际应用中我们发现蚁群优化算法搜索时间较长,所以选择正确有效的信息素和约束条件变得十分重要。蚁群优化算法可以分为两个基本阶段:适应阶段和协作阶段。在适应阶段,各个候选解根据所积累的信息不断地调整自身结构。而在协作阶段,各个候选解之间不断进行信息交流,从而产生性能更好的解。熵描述了一个概率分布的不确定性程度。将熵概念移植到模糊集理论,可以得到模糊熵。模糊熵描述了一个模糊集的模糊性程度。一个模糊集合越模糊,它的模糊熵就越大,反之亦然。模糊熵描述的是概率分布的不确定程度,一个集合的不确定性越大,它的分布越均匀,信息量也就越大。在本文中,模糊熵作为信息素应用于蚁群优化算法中,能够帮助蚁群快速准确的找到重要特征子集。首先将整个数据集作为蚁群优化算法的输入,再随机选择一组特征作为初始特征子集,然后让蚁群按照规则运动,改变各个特征的信息素,最后获得目标特征子集。