在大数据时代,想要从庞杂的数据集中获取到可用信息是极具挑战的一项任务,这导致数据挖掘领域成为科学家们关注的重点领域之一。对于数据发掘算法来说,获得可用数据集往往是算法的第一步,当数据集维度变高且存在大量冗余无用特征时,就会使得数据分析变得极其困难,后续的算法性能也会受到极大影响,所以进行数据预处理是十分必要的。特征选择是数据预处理中一个重要的方法,该方法在大量特征中选取相关和非冗余特征,且使处理后的数据集在最大程度上不影响分类准确率,以此来达到降低维度、提升后续分类算法准确性的目的。当搜索空间变得很大时,特征选择就可视为一种最优化问题。事实上,在具有N个特征的数据集中,选择最优特征子集的方案就存在2种,所以当特征数N过大时,穷举搜索的方法是不可行的。为了解决这个问题,人们引入了元启发式算法来解决特征选择问题,取得了良好的效果。乌鸦搜索算法（Crow search algorithm,简称CSA）是最近根据乌鸦群体的生活习性所提出的算法,它是基于种群的一种元启发式算法,因为它简单和易实现的特质引起了广大学者的关注,但跟其它元启发式算法相同,具有收敛速度慢,容易陷入局部最优的缺点,严重影响算法的分类准确率以及收敛速度。所以本文首先将CSA进行离散化,形成BCSA（Binary crow search algorithm,简称BCSA）算法,然后对BCSA进行了改进,提出了一种新的特征选择算法BICSA（Binary improved crow search algorithm,简称BICSA）,最后通过实验来展示BICSA在解决特征选择问题上的卓越性能。BCSA可以分为初始化和更新两个阶段,本文针对这两个阶段应用了三种算子来改进算法,提升算法的准确率,加快收敛速度。在初始阶段,使用混沌方法（chaotic map）代替了原始算法中的随机生成种群,之所以选择这种方法,是因为混沌映射具有随机性、遍历性和动态行为等特性,这些特性可以生成一个具有良好分布的可行解空间,从而避免随机生成种群的缺点。随后,使用反向学习方法（Opposition-Based Learning,简称OBL）来计算混沌种群的相反种群,相对算法初期随机生成种群来说,相反种群的生成往往能使得算法能够更大概率找到最优解。所以,OBL的添加使得初始种群可以从多个方向来接近最优解,加大了算法找到最优解的可能性。最后根据适应度函数值,在混沌种群和相反种群中选取适应度值高的解,这两个方法的添加使得算法能够在初始化阶段得到质量更好的初始种群,从而加快了算法的收敛速度;在更新阶段,引入了差分进化算法（Differential evolution,简称DE）,通过使用BCSA与DE的混合算法来提升算法性能。首先使用BCSA对搜索空间进行搜索,然后用DE对生成的解进行变异、交叉以及选择来得到更加优秀的全局解,DE算子的添加扩大了生成解的范围,使得算法可以在搜索空间进行更全面的搜索,在某种程度上减少了算法陷入局部的概率,使得算法更加容易的找到最优解。这三种算子使得改进后算法具备更快的收敛速度,且更有可能获取全局最优解。为了展示BICSA特征选择算法的性能,本文在16个数据集上与近几年提出的特征选择算法进行比较与分析,比较结果证明了改进算法BICSA拥有着更高的分类准确率和较高的维度压缩能力。