随着信息技术的发展,商业、工程、医学等各领域的数据日益增加,数据属性繁多,特征维度较高。不相关或冗余的特征会增加学习模型的复杂度,甚至造成模型性能的下降。因此如何选择有效的特征子集,剔除不相关或冗余的特征,提高数据模型精确度,是数据挖掘以及各应用领域亟待解决的问题之一。本文首先对特征选择进行了综述,特征选择为解决上文提到的问题提供了方法。特征选择从现实世界中的包含复杂和冗余特征的数据中选择有价值的特征。特征选择有助于提高学习模型的分类效果,降低模型的复杂度,简化模型,节省时间,而且可以增强模型的可解释。其次介绍了子空间集成学习算法,子空间学习算法可以提高特征选择的效果,尤其是当子空间学习与集成学习结合时,然后本文提出了基于存档遗传算法的特征子空间集成学习模型,该模型中有两个种群,一个是进化种群,进化种群的个体是原始特征空间的子空间,利用小生境遗传算法来进行子空间的多目标优化,进化种群为存档种群更新提供候选个体。另一个是存档种群。存档种群内存放进化种群的精英个体,利用每代进化种群的精英个体更新存档种群,最后利用存档种群的个体训练集成学习模型。两个种群相辅相成,利用进化种群更新存档种群。存档种群则约束进化种群的进化方向,最终使得存档种群个体均为精英个体且个体之间具有多样性,模型利用这个种群的协同进化解决了集成学习中子分类器多样性与准确率相互矛盾的问题。本文的实验结果验证了模型性能,本文的模型在传统数据集和顾客信用预测数据集中均取得了较好的效果,能够通过选择较小的特征子空间,获得较高的分类和预测性能。基于子空间的特征选择算法能够选择较少的特征,并通过多样性的子空间的集成提高分类模型的性能。本文利用存档遗传算法进一步对子空间进行优化,提升了特征选择的降维性能而且分类模型的性能得到了进一步的提升。