随着数据采集和存储技术的发展,各领域数据呈现大规模、高维度的特点,然而,这些数据中往往存在大量噪声,不仅增加了学习任务的难度而且很容易造成过拟合问题。因此,在训练学习器之前对数据进行特征选择至关重要。多目标粒子群优化算法（MOPSO）由于其收敛速度快、实现简单等特点,被广泛应用于解决多目标特征选择问题。然而,大多基于MOPSO的特征选择方法在搜索过程中忽略了特征与样本类别之间隐含的相关信息,导致最终选择特征可解释性较差,而且MOPSO算法本身仍存在一些缺陷。因此,本文在对MOPSO算法进行改进的同时将特征数据的先验信息融合到粒子群搜索过程中,能够有效地选择关键特征,降低特征维度。本文主要的研究内容包括:（1）提出一种基于角度引导MOPSO和特征-标签互信息的特征选择方法（AGMOPSO-MI-FS）。一方面,为了选择与样本类别相关的特征,增强所选特征的可解释性,提出一种基于特征-标签互信息的自适应阈值设置策略,从原始数据中提取特征先验信息并将其编码到特征选择过程中。另一方面,为了提高MOPSO算法的搜索能力,提出一种角度引导的MOPSO算法（AGMOPSO）,采用基于最小角距离信息的全局最优选择策略来引导种群向Pareto前沿收敛。最后,将特征-标签互信息耦合到AGMOPSO的粒子编码过程中来进行特征选择,在保证算法的收敛性和解的多样性的同时有利于筛选出与样本类别高相关的特征。在6个基准数据集上的实验结果表明,相比于现有多目标特征选择方法,AGMOPSO-MI-FS所获得的特征子集在提高分类准确率和降低特征数量方面均表现出一定的优越性,同时也增强了所选特征的可解释性。（2）提出一种基于混合扰动MOPSO和特征组-标签联合互信息的特征选择方法（HPMOPSO-JMI-FS）。为提高MOPSO算法的搜索性能,采用基于参考向量和角距离信息的全局最优选择策略,并提出一种基于特征频率的混合扰动策略以帮助停滞粒子跳出局部最优。另外,针对大多特征选择研究仅考虑单个特征与类标签的相关性和特征之间的冗余性,忽略特征组合交互后整体对分类系统影响的问题,提出一种基于特征组-标签联合互信息的精英粒子再学习策略,在进一步筛选与类标签高相关特征的同时选择性剔除冗余特征。在4个基准数据集和3个高维肿瘤数据集上的实验结果表明,相比于现有的多目标特征选择方法,HPMOPSO-JMI-FS不仅能获得一组分类错误率低且特征数量少的高质量特征子集,而且在高维小样本肿瘤数据集上也能够获得较好的分类性能。