随着大数据时代的到来,新的应用不断涌现,数据展现出高维度、非线性的复杂属性,如何有效进行特征提取和特征选择变得很有必要,这项工作已成为机器学习、数据挖掘和模式识别等领域的研究热点。传统的数据处理方法在应对这些高维度数据时往往是无效的,无法挖掘出数据中隐藏的有用信息。因此,挖掘大数据中隐藏的有用信息成为大数据时代面临的难题之一。特征选择是大数据挖掘中的基础工作,分类器的设计是整个模型训练的重难点。特征选择通过使用某种搜索策略在特征空间中搜寻利于模型训练的最佳特征子集,而分类则是使用搜寻到的最佳特征子集去训练鲁棒的分类器,再用训练好的分类器去对未知的数据集进行精准预测。在机器学习领域,分类模型众多,本文选取占主导地位的两种模型,即贝叶斯理论模型和支持向量机进行分析研究。在朴素贝叶斯理论中存在这样一个假定:相对于给定的类,各个实例之间是相互独立的。根据数据属性之间的独立性,可以将每个属性分别单独估计,使得其适用于多属性的分类问题。支持向量机的惩罚参数C和RBF核参数σ是影响分类性能的关键参数,所以对这两个参数进行优化能够有效提高支持向量机的分类性能。上述工作主要采用智能优化算法来解决特征选择和分类器参数优化问题。本文首先对粒子群算法进行改进,再将改进后的粒子群算法用于对朴素贝叶斯、支持向量机两种分类器的优化问题研究。在对朴素贝叶斯分类器进行优化的过程中,使用改进后的粒子群算法从整个属性空间中选择一个最优属性子集,并且通过被选择出的最优属性子集构建朴素贝叶斯分类器。在对支持向量机分类优化的过程中,通过把惩罚参数C和核参数σ融入到个体二进制编码中,实验过程中使用改进的粒子群算法寻找最优的参数组合以便更好地对支持向量机分类器进行训练。本论文的具体贡献包括:1、针对传统粒子群算法早熟收敛及参数依赖专业经验给定等固有缺点,采用多种群、加速系数自适应调控两种优化策略相结合的方式对传统粒子群算法进行改进,提出一种动态调控惯性权重的多种群粒子群优化算法（Multi-Colony’s Particle Swarm Optimization for Dynamically Controlling Inertial Weights,MPSO＿DCIW）。2、由于朴素贝叶斯假定的存在导致朴素贝叶斯分类器在实际应用中并不适用。采用群体智能算法对数据进行最优特征子集选择,然后使用选择出的最优特征子集去构建朴素贝叶斯分类器,这有效避免朴素贝叶斯假定的局限性。本文提出了一种基于改进粒子群算法的朴素贝叶斯分类器优化方案,并与多种常用的机器学习算法（SVM、KNN等）进行性能对比。3、由于支持向量机的惩罚参数C和RBF核参数σ直接影响到分类性能,本文针对支持向量机存在的这一缺陷提出了一种基于改进粒子群算法的支持向量机参数优化方案。