模式识别和机器学习(Machine Learning,ML)已广泛应用于许多安全敏感的领域中,如人脸识别、无人驾驶汽车以及入侵检测等。机器学习技术本身的安全性也越来越受到关注,因此对抗性机器学习成为研究热点。在对抗性环境中,机器学习技术面临着被攻击者攻击的威胁,即攻击者会篡改少量样本来诱使分类器做出不正确的分类决策。逃避攻击是对抗性环境中常见的攻击类型,即攻击者在测试阶段篡改恶意样本从而使篡改后的样本逃避分类器的检测。目前,对抗逃避攻击的分类算法有大量的研究,但是作为机器学习与数据挖掘中关键问题,如何设计针对逃避攻击的鲁棒特征选择算法同样具有重要的研究意义。因此本文主要研究对抗性特征选择,相关内容主要包含以下两个部分。第一部分,目前针对逃避攻击的对抗特征选择算法(WAFS)属于封装器模型。该模型依赖于后续的分类算法。对于高维数据而言,其时间复杂度很高。因此,基于最大相关最小冗余(mRMR),并考虑对抗逃避攻击的安全度量,设计了过滤式对抗特征选择的评价准则,提出基于mRMR的对抗特征选择算法(FAFS)。该算法在特征选择过程中不依赖任何分类算法而时间成本低,属于过滤器模型。该算法一方面考虑了单个特征与标签之间的相关性以及特征与特征之间的冗余性;另一方面,在选择特征时,该算法既考虑了无攻击下的泛化能力,又考虑了逃避攻击下的安全性。实验结果表明,与已有的对抗特征选择算法相比,FAFS算法在逃避攻击下分类精度相当,鲁棒性较好,时间复杂度较低。第二部分,搜索策略是特征选择的关键问题之一。已有的特征选择算法往往采用前向选择搜索策略来获得特征子集。该策略属于贪婪算法,往往陷入局部收敛,难以找到最优特征子集。因此本文在基于分解策略的多目标演化子集选择算法(DPOSS)的基础上,提出基于DPOSS的对抗特征选择算法(SDPOSS)。该算法将整个特征空间分解成若干个特征子空间,并依次调用多目标演化子集选择算法(POSS)来求解。实验结果表明,随着分解个数的增加,SDPOSS的运行时间会线性下降,且获得很好的分类性能。同时SDPOSS算法在逃避攻击下的安全性较好。