随着物联网和人工智能等新兴技术和应用模式的快速发展,人类社会所获得数据的属性（或称特征）规模正以前所未有的速度增长。这其中,冗余和不相关特征的存在不仅会降低算法的学习速度,而且将明显影响其准确度。特征选择的目的是,从数据集的所有特征中选出部分特征构成一个最优特征子集,在减少学习代价的同时使设定的性能指标达到最优。然而,在处理高维数据时,现有大部分进化特征选择方法依然存在“维数灾难”和计算代价高等问题。鉴于此,本文充分考虑特征选择问题自身的领域知识,研究面向高维数据的高效粒子群优化特征选择算法。首先,针对现有粒子群特征选择算法搜索效率低的不足,提出一种特征相关性驱动的简洁粒子群特征选择算法。给出一种基于类标签相关程度的粒子群初始化方法,以加快粒子群的搜索速度;设计两种基于相关-冗余指标的粒子局部搜索策略,即增补算子和删减算子,以提升粒子群的局部探索能力;给出一种自适应变异策略,以帮助粒子群跳出局部收敛。同时,引入一种控制参数少的粒子位置更新机制,以提高算法的可操作性。其次,针对现有粒子群特征选择算法难以解决“维数灾难”的不足,提出一种特征重要程度驱动的变种群合作型协同粒子群特征选择算法。给出一种基于特征重要程度的特征空间划分机制,将高维特征空间分割为若干个低维特征子空间;采用多种群协同进化机制同时搜索多个低维特征子空间,提出一种基于特征子空间重要程度的子种群规模初始化策略,以合理分配种群计算资源;设计一种结合种群进化速度和多样性的子种群规模自适应调整机制,以适时动态调整每个子种群的规模;同时,给出一种基于聚类的粒子删除策略和一种基于特征重要性的新增粒子生成策略,以保证子种群的质量。然后,同时考虑现有粒子群特征选择算法存在的“维数灾难”和计算代价高等问题,提出一种特征聚类引导的快速混合粒子群特征选择算法。该算法将特征选择过程分为功能互补的三个阶段。第一阶段,给出一种计算代价低的自适应过滤式特征选择方法,以删除不相关或弱相关的特征;第二阶段,提出一种相关性引导的快速特征聚类策略,将相似或相冗余特征划分到一个特征类,以减少后续粒子群的搜索空间;第三阶段,设计一种改进的整型粒子群优化算法,从每个特征类中同时选择最具代表性的特征,以形成最终的特征子集。同时,引入一种适合整数编码的差异性扰动算子,以防止粒子群陷入局部最优。最后,考虑现有粒子群特征选择算法难以处理的大规模高维数据,提出一种代理样本辅助的粒子群特征选择算法。引入一种无重复均匀采样策略,将原始的大规模样本集合划分为若干小规模的样本子集合;将划分后的每个样本子集视为一个代理单元,提出一种多代理单元协作的改进特征聚类策略,以降低第5章所提聚类策略的计算代价并缩小后续粒子群的搜索空间;给出一种集成代理辅助评价的整型粒子群优化算法,以较低的个体评价代价生成最终的特征子集。同时,设计一种集成代理构建与管理策略,以保证集成代理评价粒子适应值时的精度。将所提理论与方法应用于UCI等机构提供的多个典型的实际数据集,并与已有的代表性特征选择算法相对比,实验验证了上述4种算法的可行性和有效性。上述研究成果丰富了现有特征选择理论与方法,提高了进化特征选择方法处理高维数据的性能,并为相关机器学习算法提供了一系列有效可靠的数据预处理技术。本论文共包含图17幅,表35个,参考文献166篇。