近些年来,随着科学技术的发展,人类逐步进入大数据时代。所产生的的数据量每年以指数级增长,大量的数据对于人类的发展也起到了十分重要的作用。数据量的不断增加导致从数据中提取到的特征的数量也在增加,如何有效利用与处理数量如此庞大的特征数据既是机遇也是挑战。特征选择是一种很常见的用于除去冗余与无效的特征的方法。但是一些常见的特征选择方法通常会有一些缺点,例如基于Filter特征选择算法得到的特征子集在使用分类器进行分类的时候得到的准确率较低;一些采用随机搜索策略的特征选择方法,例如基于遗传算法的特征选择方法又会出现早熟等问题。所以,针对上述特征选择出现的问题,本文开展了如下的研究:1.提出一种改进的基于遗传算法的特征选择方法IMPGA。该算法针对遗传算法可能会出现早熟收敛的缺点,采用多个种群协同进化,每个种群使用不同的交叉及变异概率的方式,从而平衡遗传算法的全局和局部搜索能力。为了防止种群中出现超常个体主导种群进化,本文改进了遗传算法的选择算子和移民算子。在选择算子中引入了人工免疫算法中浓度的概念,选择操作从个体的适应度和浓度两方面进行考虑;同时,重新设计了计算个体浓度的方法,即从空间和浓度两方面考虑个体是否相似,从而计算个体浓度。在移民算子的改进中,首先通过交叉选优操作选择出优秀个体,然后将优秀个体与目标种群的每一个个体进行相似度评价,之后结合适应度和相似度进行优秀个体与目标种群个体的替换操作。2.将改进过的特征选择方法IMPGA在UCI上的9个公开数据集上进行验证,同时与两种经典的Filter特征选择算法以及两种Wrapper特征选择算法做对比。实验结果表明,IMPGA取得更好的特征选择效果。3.将IMPGA应用到抑郁症的识别以及有效特征选择当中。首先,提取五段音频刺激下脑电信号的96组特征,之后使用IMPGA对96组脑电特征进行筛选,选出更加有效的特征组合从而提高抑郁症的识别准确率。实验结果表明,和文中相关文献相比较,该算法可以取得更好的分类准确率以及选出有效的相关特征。