特征选择是指在包含有大量冗余、不相关和有噪声的原始特征中选择最优特征子集并以最小特征个数尽可能还原原始数据集中所有特征的方法。该方法作为一种有效的数据降维方法,通过消除高维数据中冗余,不相关和有噪声特征来提高机器学习或数据挖掘模型的预测、分类和计算性能。在特征选择中,特征子集的搜索过程可看作是一个组合优化求解问题,即在有限的特征空间中寻求最优特征子集的过程;而特征子集的评估过程可看作一个分类问题,即通过分类器算法评估出最优特征子集的过程。为有效提高特征选择方法性能,本文从特征子集搜索与特征子集评估两个方面出发分别提出了改进的鲸鱼优化算法和改进的K最近邻算法,然后通过引入改进的鲸鱼优化算法和改进的K最近邻算法分别作为特征子集搜索和特征子集评估的方法,设计了一种基于改进鲸鱼优化算法优化改进K最近邻算法的包装式的特征选择方法。首先,针对鲸鱼优化算法在特征子集搜索时收敛速度慢和全局搜索能力弱的缺点,引入混沌反向精英个体增强初始种群多样性,并通过偏态分布和非线性扰动参数模拟鲸鱼狩猎过程中的个体偏好行为和位置自适应更新机制,提出了基于个体选择偏好和位置自适应更新机制的改进鲸鱼优化算法。通过比较9种元启发式算法对20个基准函数在30维和100维空间下的寻优结果表明:在同等仿真实验环境下,改进的鲸鱼优化算法不仅能有效平衡算法的局部开采能力和全局勘探能力,而且在求解不同维度的基准函数时具有更好的稳定性和可靠性。其次,针对K最近邻算法在特征子集评估时分类精度低的缺点,引入加权投票准则并利用模拟退火算法构造样本间相似性度量矩阵M提高样本属性在分类计算时的重要性占比,提出了一种基于权值矩阵M和加权分类策略的改进K最近邻算法。通过6种分类器算法在8个分类数据集上的实验结果表明:在同一实验条件下,改进的K最近邻算法不仅具有更好的分类性能,而且在对不同数据集进行分类时具有更好的鲁棒性。最后,利用改进的鲸鱼优化算法优化改进的K最近邻算法并将其分别作为数据集的特征子集搜索和评估方法,设计了一种基于改进鲸鱼优化算法优化改进K最近邻算法的包装式的特征选择方法。通过7种特征选择方法在15个分类数据集上的实验结果表明:在同一实验条件下,设计的特征选择方法不仅在特征子集搜索时表现出更好的优越性能,而且在特征子集评估时表现出更好的分类性能。而且利用设计的特征选择方法对原始数据集进行处理时,不仅能快速有效的去除数据集中冗余和不相关的特征,也对后期进行数据工程有着重要的研究意义。该论文有图25幅,表17个,参考文献126篇。