随着信息技术的发展,各领域的数据规模以惊人的速度扩张,这一方面给机器学习、数据挖掘等任务带来了更多的训练信息,另一方面增加了处理这些数据的难度。实例选择（Instance Selection,简称IS）,作为一种常见的数据预处理技术,可以有效地删除一些冗余、噪声的样本,从训练集中获得一个优秀的子集,被广泛应用于机器学习、数据挖掘等任务中。因为实例选择的重要性,过去几十年里,有许多不同的实例选择算法被提出。目前,基于进化优化的实例选择算法,由于其良好的全局搜索能力和对目标函数无假设等优势,成为当前实例选择研究的热点。但是,当实例的规模很大时,由于搜索空间过大且计算耗时,已有进化算法难以获得满意的结果。对此,首先提出了一种基于长度归减的进化多目标算法LR-MOEA来解决大规模实例选择问题。在LR-MOEA中,本文提出了一个长度归减策略在进化中逐渐地归减种群个体的长度,从而减少种群的搜索空间,提高搜索效率。具体地,种群中每个个体中的基因（每个基因代表对应的一个实例）都有一定概率被删除,这个概率是由种群中基因的重要性和训练集中对应实例的重要性来共同决定的。然后,本文提出一个特定的交叉变异算子用来产生子代种群,此外,本文提出一个个体修复算子用来修复可能过度归减的个体。在12个常用的大规模分类数据集上的实验显示,相比于当前已有的基于进化优化的实例选择算法,LR-MOEA不仅可以获得精度和压缩率都较高的实例子集,还能有较少的计算时间消耗。然后,为了解决更大规模的实例选择问题,本文设计了一个基于聚类编码的进化多目标算法CE-MOEA。不同于LR-MOEA的长度归减思想,为了解决更大规模实例选择问题,CE-MOEA先将训练集进行聚类,然后把每个聚类作为一个整体进行编码和搜索,大幅度地减少了搜索空间。在搜索过程中,对于每个聚类,CE-MOEA只选择最靠近聚类中心的点来代替整个聚类中的实例参与个体评价,从而有效地减少评价时间。同时,为了进一步优化性能,本文提出了一个基于聚类重要度的局部搜索算子对每个个体选中的聚类内部进行搜索,一个压缩保持进化算子考虑到个体中没有选择的聚类,把所有聚类作为一个整体进行进一步的搜索。在12个常用的更大规模的分类数据集上的实验显示,相比于LR-MOEA和其他基于进化优化的实例选择算法,CE-MOEA能在明显较少的计算时间内取得精度和压缩率都较好的结果。