数据挖掘、机器学习等领域,特征和模型相辅相成。特征过少,模型无法完成决策任务;特征过多,造成信息冗余,模型难以训练且训练成本高。特征选择是去冗余、降低空间维度的方法之一,是数据挖掘、机器学习等领域数据预处理阶段的重要步骤。特征选择方法有过滤法,包裹法和嵌入法。粗糙集是处理不确定性信息的数学工具,其核心是属性约简。基于信息熵、依赖度、重要度等表示条件属性与决策属性相关性的属性约简方法都属于过滤法。经典粗糙集只适合处理离散型数据,对于连续型数据,需要进行离散化处理,离散化处理会导致信息的缺失,引入邻域粗糙集和度量空间的概念,将粗糙集的等价关系转化为邻域空间上对信息粒子的覆盖关系。邻域粗糙集直接处理连续型数据,避免离散化导致原始信息的缺失。随着智能算法的不断涌现,粗糙集和智能算法结合进行特征选择,智能算法负责特征空间特征子集的搜索,粗糙集知识作为评价函数对特征子集进行评价。好的搜索算法能在特征空间中尽可能快而准确地找到最适特征子集,评价函数的好坏也影响着模型的建立。本文的主要研究工作:（1）对邻域粗糙集的前向贪心数值约简算法进行改进,前向贪心数值约简算法通过不断地向约简集合加入属性重要度大的属性,直到加入的属性重要度为零。通过实验发现,该算法的阈值设置为零不是一个好的选择,个体价值最大无法代表整体价值最大化,是贪心策略的不足之处。合适的阈值如何设定?本文引入轮盘赌算法进行改进,所有属性都有机会被选择,重要度大的属性被选择的概率更大,在设置的合理选择次数内,只要特征被选择过一次,就加入约简集合。设置迭代次数,分类器的准确率为评价标准,对每次选择的特征子集进行评分,选择分类效果最好的特征子集为最佳特征子集。基于轮盘赌算法改进的前向贪心数值约简算法是过滤法和包裹法结合的特征选择方法,实验结果证明,改进的前向贪心属性约简算法有更好的特征选择效果。（2）结合邻域粗糙集和Runner-root算法的特征选择方法。邻域粗糙集的属性依赖度和重要度是对条件属性和决策属性之间相关性的评价,Runner-root算法模拟了匍匐茎（枝）植物的繁殖过程,以独有的搜索策略,整体和局部结合,在特征空间中通过评价函数的评价不断地迭代寻优。本文设计的评价函数分为三个部分,包括决策属性对已选特征子集的依赖度,特征子集的大小及剩余未选属性的重要度。评价函数设计考虑了整个特征集合,没有忽略掉未选特征可能对决策结果的影响。实验结果证明,基于邻域粗糙集和Runner-root算法的特征选择分类效果最好。