粒计算是将复杂问题简单化的一种知识获取方法,模糊集、粗糙集和商空间是其处理复杂问题的三种模型。模糊集和粗糙集主要是解决信息不确定性问题,而商空间是通过多粒度策略解决相同概念的多义性问题。特征选择是选出那些最具预测性特征的知识获取方法。在经过特征选择之后,所选特征仍保留原始信息系统具有的初始涵义。事实上,有效的特征选择技术能够为下游任务挑选出关键特征,从而最大程度的降低下游任务的时间和空间复杂度,提高学习算法的性能。本文提出一种基于层次商空间的特征选择算法,构造层次商空间结构从全局中选出最优粒度,通过新的正域计算方式进行特征子集的选择,将依赖度作为评价指标对特征子集的选择进行评估,并且给出了算法的伪代码和流程图。将结果在不同分类器下对比,实验分析得出本文提出的方法在特征维度和分类精度上均优于其他特征选择方法。因为算法在构造层次商空间过程中需考虑全局特征搜索最优值,将会在时间上带来损耗。所以本文提出了动态层次商空间生成方法,通过逐层构建商空间降低构建层次商空间结构时间和空间的复杂性,选取最优粒度进行特征选择,同时通过抽样的方式从根本上降低数据维度,并且详细分析该算法的算法伪代码和流程图。最后,将通过基于动态层次商空间生成方法的特征选择得到的结果在不同分类器下进行对比实验分析,实验结果表明本文算法在分类精度上较其他特征选择方法有不同程度的提升。并且通过实验分析阈值的不同取值对数据分类精度的影响,证明不同的采样比对数据集分类精度没有产生较大影响。