为解决特征选择ReliefF算法在利用欧氏距离选取近邻样本过程中，算法稳定性差以及选取的特征子集分类准确率低的问题，提出了一种利用最大信息系数（MIC）作为近邻样本选择标准的MICReliefF算法；同时，以支持向量机（SVM）模型的分类准确率作为评价指标，并多次寻优，以自动确定其最优特征子集，从而实现MICReliefF算法与分类模型的交互优化，即MICReliefF-SVM自动特征选择算法。在多个UCI公开数据集上对MICReliefF-SVM算法的性能进行了验证。实验结果表明，MICReliefF-SVM自动特征选择算法不仅可以筛除更多的冗余特征，而且可以选择出具有良好稳定性和泛化能力的特征子集。与随机森林（RF）、最大相关最小冗余（mRMR）、相关性特征选择（CFS）等经典的特征选择算法相比，MICReliefF-SVM算法具有更高的分类准确率。
