K-means聚类算法随机确定初始聚类数目，而且原始数据集中含有大量的冗余特征会导致聚类时精度降低，而布谷鸟搜索（CS）算法存在收敛速度慢和局部搜索能力弱等问题，为此提出一种基于自适应布谷鸟优化特征选择的K-means聚类算法（DCFSK）。首先，为提升CS算法的搜索速度和精度，在莱维飞行阶段，设计了自适应步长因子；为调节CS算法全局搜索和局部搜索之间的平衡、加快CS算法的收敛，动态调整发现概率，进而提出改进的动态CS算法（IDCS），在IDCS的基础上构建了结合动态CS的特征选择算法（DCFS）。其次，为提升传统欧氏距离的计算精确度，设计同时考虑样本和特征对距离计算贡献程度的加权欧氏距离；为了确定最佳聚类数目的选取方法，依据改进的加权欧氏距离构造了加权簇内距离和簇间距离。最后，为克服传统K-means聚类目标函数仅考虑簇内的距离而未考虑簇间距离的缺陷，提出基于中位数的轮廓系数的目标函数，进而设计了DCFSK。实验结果表明，在10个基准测试函数上，IDCS的各项指标取得了较优的结果；相较于K-means、DBSCAN（Density-Based Spatial Clustering of Applications with Noise）等算法，在6个合成数据集与6个UCI数据集上，DCFSK的聚类效果最佳。

针对大多数特征选择算法未充分考虑数据的类不均匀分布、特征之间的相关性和不同参数对特征选择结果的影响等问题，提出一种基于邻域容差互信息和鲸鱼优化算法（WOA）的非平衡数据特征选择方法。首先，在不完备邻域决策系统中，针对二分类数据集和多分类数据集，基于上、下边界域定义两种非平衡数据的特征重要度；然后，为充分反映特征的决策能力和特征之间的相关性，构建邻域容差互信息；最后，通过将非平衡数据特征重要度和邻域容差互信息相结合，提出基于邻域容差互信息的非平衡数据特征选择（FSIDN）算法，该算法采用WOA获取特征选择算法中的最优参数，并引入非线性收敛因子和自适应惯性权重来改进WOA，以解决WOA易陷入局部最优的问题。在8个基准函数上进行实验，结果表明改进的WOA具有较好的优化性能；在13个二分类和4个多分类的非平衡数据集上进行特征选择实验，实验结果表明，与其他相关算法相比，所提算法能够有效地选择出具有良好分类性能的特征子集。

针对Fisher score未充分考虑特征与标记以及标记之间的相关性，以及一些邻域粗糙集模型容易忽略边界域中知识粒的不确定性，导致算法分类性能偏低等问题，提出一种基于Fisher score与模糊邻域熵的多标记特征选择算法（MLFSF）。首先，利用最大信息系数（MIC）衡量特征与标记之间的关联程度，构建特征与标记关系矩阵；基于修正余弦相似度定义标记关系矩阵，分析标记之间的相关性。其次，给出一种二阶策略获得多个二阶标记关系组，以此重新划分多标记论域；通过增强标记之间的强相关性和削弱标记之间的弱相关性得到每个特征的得分，进而改进Fisher score模型，对多标记数据进行预处理。再次，引入多标记分类间隔，定义自适应邻域半径和邻域类并构造了上、下近似集；在此基础上提出了多标记粗糙隶属度函数，将多标记邻域粗糙集映射到模糊集，基于多标记模糊邻域给出了上、下近似集以及多标记模糊邻域粗糙集模型，由此定义模糊邻域熵和多标记模糊邻域熵，有效度量边界域的不确定性。最后，设计基于二阶标记相关性的多标记Fisher score特征选择算法（MFSLC），从而构建MLFSF。在多标记K近邻（MLKNN）分类器下11个多标记数据集上的实验结果表明，相较于ReliefF多标记特征选择（MFSR）等6种先进算法，MLFSF的平均分类精度（AP）的均值提高了2.47~6.66个百分点；同时，在多数数据集上，MLFSF在5个评价指标上均能取得最优值。

针对经典的帝王蝶优化（MBO）算法不能很好地处理连续型数据，以及粗糙集模型对于大规模、高维复杂的数据处理能力不足等问题，提出了基于邻域粗糙集（NRS）和MBO的特征选择算法。首先，将局部扰动和群体划分策略与MBO算法结合，并构建传输机制以形成一种二进制MBO（BMBO）算法；其次，引入突变算子增强算法的探索能力，设计了基于突变算子的BMBO（BMBOM）算法；然后，基于NRS的邻域度构造适应度函数，并对初始化的特征子集的适应度值进行评估并排序；最后，使用BMBOM算法通过不断迭代搜索出最优特征子集，并设计了一种元启发式特征选择算法。在基准函数上评估BMBOM算法的优化性能，并在UCI数据集上评价所提出的特征选择算法的分类能力。实验结果表明，在5个基准函数上，BMBOM算法的最优值、最差值、平均值以及标准差明显优于MBO和粒子群优化（PSO）算法；在UCI数据集上，与基于粗糙集的优化特征选择算法、结合粗糙集与优化算法的特征选择算法、结合NRS与优化算法的特征选择算法、基于二进制灰狼优化的特征选择算法相比，所提特征选择算法在分类精度、所选特征数和适应度值这3个指标上表现良好，能够选择特征数少且分类精度高的最优特征子集。