近年来,随着科学技术的进步,出现了许多包含大量特征的问题。大量的冗余特征会显著降低模型的学习精度和速度。为了消除冗余特征,特征选择在各个领域被广泛应用。现有的特征选择算法主要分为两类,第一类为过滤式方法,该方法根据数据的特性定义一些评价指标,通常速度较快。第二类是包装式方法,包装式方法通常是一种迭代型算法,能够得到较高的分类精度。为了能够同时提高算法的分类精度和缩短算法的时间,一种基于混合（结合过滤式和包装式）的特征选择算法被提出。由于现有的很多特征选择算法容易陷入局部最优,而进化算法有很好的跳出局部最优的能力,所以本文提出了两种基于多目标进化优化的混合特征选择算法。为了充分融合两种方法的优点,本文提出了一个基于交互的混合多目标特征选择算法。为了能够进一步的提高算法的分类效率,本文又提出了一个基于可变样本的混合多目标特征选择算法。本文的主要工作包括以下两个部分:（1）基于交互的混合多目标特征选择算法。具体来说,在该算法中包括两个种群,包装式种群和过滤式种群。为了充分利用这两种种群的优点,本文提出了一个基于交互的混合多目标进化算法,其中,指导策略和修补策略被用来选择高质量的特征子集。指导策略是利用包装式种群中较好的解来指导过滤式种群向更好的方向进化。在修补策略中,利用过滤式种群中的有用信息对包装式种群中的一些可能陷入局部最优的特征进行修补,减少包装式种群遇到局部最优问题。为了进一步提高算法的性能,该算法中提出了两种有效的初始化策略。与几种最新的算法相比,所提出的算法表现出较好的性能。（2）基于可变样本的混合多目标特征选择算法。在数据集中选择特征时会对特征子集进行评价以保证特征选择的分类精度,通常评价的过程是非常耗时的。在数据集中不仅仅有冗余的特征,也存在着冗余的样本,所以为了保证分类精度的同时减少特征选择的时间,本文提出了一个可变样本的特征选择算法。该算法将样本分类正确频率的结果作为选择样本子集的标准,在迭代的过程中不断地动态调整样本集,使得特征选择的结果和时间都能有一个很好的保证。为了能够更好的帮助算法跳出局部最优,该算法提出了一种最近最远相似性的修补策略。实验表明,在多个数据集中该算法都能同时保证分类性能和执行速度。