随着Intern技术的高速发展,许多行业和领域需要处理的高维数据越来越多,特别是图像数据。特征选择是高维数据处理过程中的重要步骤,它从原始特征集中选出最优r集,已成为模式识别领域重要的课题。有效的特征选择通过消除冗余和不相关特征减少特征维数,加快运算速度,提高分类效率。尽管借助于完善的数学算法,大部分现有的特征选择算法已取得了较好的性能,但是,人类本身却很少参与到特征选择中,对于图像识别来说这点往往又显得特别重要。本文一方面引入了视线追踪技术,用于辅助选取感兴趣区域,另一方面,提出结合Filter和Wrapper方法的思想,用于图像特征选择,平衡算法的效率和分类性能。本文工作主要体现在以下几个方面：首先,提出结合眼动数据的图像特征粗选RS-E算法。传统的图像分类基于图像颜色、纹理和形状等底层特征,存在“语义鸿沟”的问题。为此,本文利用眼动数据选取出观察者对图像的感兴趣区域,从最具区分性的区域中选出有效特征,从而更好地模拟人类识别物体的过程。实验证明,眼动数据的引入对特征选择算法的性能有较大的改善作用,且效率也有所提高。其次,利用Filter和Wrapper方法的互补性,平衡了特征选择的效率和分类效果,提出了mRMR-SVM-RFE精选算法。该算法是Filter和Wrapper方法的合成体,它与RS-E算法结合起来用于图像特征选择。实验证明该算法选出的特征子集用于图像分类时,准确率很高,优于传统的几种方法。在此基础上,又提出了改进的mRMR-SVM-RFE算法。改进后的评价准则综合考虑了mRMR准则和SVM-RFE排序准则,进一步提高了分类性能。