随着计算机与网络技术的快速发展,大数据集的出现致使人们获取的信息量正在以前所未有的速度日益剧增,也导致大量不相关或冗余数据的不断涌现。因此,如何快速获取所需有用信息方面的应用研究,也日益倍受人们关注。目前,特征选择作为应用于数据挖掘中消除数据噪声的一种技术,也作为根据某一准则从原有的特征中选择出最优的特征组合实现对数据进行预处理的一种常用手段,已成为模式识别领域研究的一个热点。本文运用以具有良好泛化能力的支持向量机的特征选择和集成分类器新技术,在支持向量机分类的基础上,以特征选择和基于特征选择的集成学习方法为主要研究内容,以影响支持向量机性能的主要因素为研究对象,对正则化参数C和核函数参数的选择进行了较深入的研究,并通过对多个成员分类器结果的集成,以进一步提高对数据挖掘的学习泛化能力。研究成果主要体现在以下两方面：(1)设计了RGS算法。该算法首先利用ReliefF方法对样本集特征进行排序,然后,利用遗传算法优化特征子集。在遗传算法优化特征子集的同时,把支持向量机参数混编入遗传算法的遗传假设中,从而实现同步优化特征子集和支持向量机参数。最终通过实验证明了我们所提算法的有效性。(2)从成员分类器的差异度出发,提出了RGSE集成分类算法。此算法是以RGS算法为基础的组合分类器设计方案。该算法中主要是通过降低成员分类器之间的相关性,达到提高集成分类效果的能力,并通过实验证明了该算法的集成思路是优于Bagging和Boosting方法的。