针对现有的特征选择方法对衡量不同类别数据重叠/分离能力的不足，提出了一种用于评价特征的二类区分能力的干扰熵方法（IET-CD）。对于包含两个类别（正类和负类）样本的特征，首先，计算正类数据范围内的负类样本的混合条件概率，以及负类样本归属于正类的概率；然后，由混合条件概率和归属概率计算混淆概率，再利用混淆概率计算正类干扰熵，同理，计算负类干扰熵；最后，将正、负类干扰熵之和作为该特征的二类干扰熵。干扰熵用于评价特征对二类样本的区分能力，该特征的干扰熵值小，表明该特征的二类区分能力强，反之则弱。在3个UCI数据集和1个模拟基因表达数据集上，每个方法挑选出5个最优特征，并对比了这些特征的二类区分能力，由此比较这些方法的性能。实验结果表明：所提方法与NEFS方法相比，二类区分能力相当或更好；与单索引近邻熵特征选择（SNEFS）方法、相关性最大冗余性最小特征选择（MRMR）算法、联合互信息（JMI）方法、Relief方法相比，绝大多数情况都是所提方法获胜。IET-CD方法能有效地选择二类区分能力更好的特征。