随着信息技术的迅速发展，生物信息学、图像处理、文本挖掘等许多领域中研究对象的数据描述越来越趋向于高维，给数据挖掘造成了“维数灾难”。针对这个问题，出现了数据降维的研究。而特征选择作为数据降维的方法之一，因简单、直观、有效而应用广泛。特征选择可以去除冗余特征、无关特征、甚至噪声特征，从而得到一个近乎无冗余、无噪声的样本集。研究证明，特征选择不仅能显著提高训练分类模型的效率，还能提高分类模型的性能。因此在数据挖掘、机器学习、模式识别等相关领域中，特征选择成为了数据预处理中非常重要的一步，是监督学习算法的一个重要组成步骤。　　 和学习方法一样，特征选择也存在泛化能力的问题。稳定性就是该问题的具体体现：同一个特征选择算法在同一个样本集的不同训练数据集上得到的最优特征子集是不同的，即算法的输出随着训练数据集的变化而变化，是不稳定的。而在机器学习领域有许多算法与特征选择算法密切相关，比如集成学习和多任务学习。集成学习通过训练多个个体学习器并将其结果进行合成，显著地提高了学习系统的泛化能力。将集成学习运用到特征选择算法中，能较好地解决其稳定性问题，成为近年来的一个研究方向。　　 本文首先介绍特征选择算法及其基本过程，从“特征子集生成”、“特征子集评价”以及“特征选择与学习算法的结合方式”三个不同的角度对特征选择算法进行分类。接着分析集成方法的研究现状及高维小样本数据集的特征选择的稳定性问题。然后介绍一些常见的特征选择算法及其集成学习模型。基于选择性集成的思想，Zhang Li提出了一种利用集成学习提高稳定性的特征选择算法－基于装袋的选择性结果集成(Bagging-based Selective Results Ensemble，BSRE)算法，本文指出该算法在实际应用中的一些缺陷，并提出了两种改进算法。通过实验和BSRE算法比较，改进算法不仅克服这些缺陷，还在稳定性和分类性能方面都有所提高，所以是有效的。