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。
