伴随技术的发展,实际生活中的数据维度逐渐变高,数据量急剧增加,并且数据分类的应用场景也越来越广。因此,如何有效删减冗余特征实现数据降维,提高分类精度成为了当前的研究热点之一。朴素贝叶斯算法要求数据集特征相互独立,因此在复杂数据集中分类效果不理想。从特征选择与朴素贝叶斯算法结合的角度对特征选择算法进行优化,以提升朴素贝叶斯分类器在复杂数据集中的分类性能是一个可研究方向。针对特征选择中filter模型和wrapper模型各自的优缺点和朴素贝叶斯假设的限制,提出了一种混合模型算法——基于信息增益和遗传算法的朴素贝叶斯优化算法。算法分为两个部分,首先使用基于filter模型的信息增益方法进行特征初筛,选择出精简后的特征子集;然后把遗传算法的适应度函数和朴素贝叶斯分类器的分类精度结合,通过遗传算法的全局搜索能力选出最优特征子集,并在该特征子集基础上构建优化的贝叶斯分类器,为解决遗传算法过早收敛问题,使用了一种自适应交叉率和变异率计算方法,以及最优个体保留策略。后续实验中,选择不同数据集,将提出的算法与多种算法进行对比,分析算法的分类性能与特征选择效果,算法的稳定性与收敛性以及算法中相似度阈值与算法性能的关系。实验表明,提出的优化算法特征选择效果明显,且与朴素贝叶斯分类算法等相比分类精度提升明显。算法使用的离散化处理方法较为简单,对于分类性能有一定影响,后续可以继续优化。算法中信息增益阈值根据经验选取,后续可研究自适应阈值方法。