特征选择是模式识别中的关键问题，特征选择按照评价策略，即是否考虑分类器性能将特征选择方法分成基于滤波的特征选择方法和基于嵌入式的特征选择方法。首先，先介绍了基于滤波的特征选择方法。基于滤波的特征选择方法是一种计算效率比较高的算法，主要采用了与分类任务相关的各种准则，选择最合适的相关准则对特征进行分类。本文采用的滤波的特征选择算法主要有Fisher线性判别准则，最大相关最小冗余度准则，将这两类准则应用到ECoG皮层脑电信号，对该数据中的64个通道进行特征选择。而这两种方法得出的通道的特征排序与共空域子空间的特征提取方法进行结合，结果验证了最大相关最小冗余度准则对皮层脑电信号的通道选择过程有研究意义的。然后分析了基于启发式搜索策略的滤波算法，并且将这些滤波的特征选择算法应用到葡萄酒数据分类中，通过线性分类器分析后，得出这些特征选择算法对葡萄酒数据分类效果有一定的提高。然后，介绍了基于嵌入式的特征选择方法。基于嵌入式的特征选择方法是将分类器的性能考虑到特征选择的过程中，通过分类器的表现来选择相应的特征。本文采用了支持向量机回归特征消去算法，并且同样应用到EcoG皮层脑电信号中。另一种方法是基于增减特征分量的嵌入式特征选择算法，将这种算法应用到葡萄酒数据分类过程中，实验验证该算法对提高葡萄酒分类有很大的帮助。最后，将微分进化算法与共空域子空间分解相结合的一种新的嵌入式特征选择算法，并对这种基于这种嵌入式特征选择算法进行了改进。实验验证该方法对皮层脑电信号的通道选择过程中的效果很好，说明该方法有一定的研究意义。