在过去的十年中,集成较多的被应用在分类任务上,融合多个预测模型的集成方法往往有更好的分类性能。类似的集成思想最近也被应用到更具挑战的特征选择任务上。目前,基于集成的特征选择方法可以分为异质集成和同质集成两种。事实上,不管是异质集成还是同质集成,实现集成的扰动策略较为单一。因此,本文针对现有集成特征选择方法在该方面的不足,提出了基于混合扰动的集成特征选择框架。本文利用函数扰动和数据扰动设计了一种基于混合扰动的集成特征选择方法,旨在提升特征选择过程的稳定性和所选特征子集的分类准确率。首先利用Bootstrap重采样训练样本,生成不同扰动版本的训练数据集,增加样本多样性。然后利用多种特征选择算法构建集成组件,增加函数多样性。最后利用集成组件针对原始数据的不同扰动版本进行训练,根据聚合策略将所有特征选择结果组合成特征子集。为保证方法实现,本文设计了基于混合扰动的联合评估框架,并通过理论论证和实验评估证明方法的可行性。此外,本文通过相似性实验量化了集成实现对最终选择结果的真实影响,并通过不同集成配置对比实验探究集成组件、阈值和分类器对混合扰动集成特征选择方法的影响,旨在为集成方案的设计提出较为普适性的参考建议。综上所述,本文的主要工作是面向集成特征选择的一次尝试。实现了同时提升稳定性和预测性能的目的,并补充了有关集成配置方案的研究结论。希冀对今后更加全面有效的集成特征选择算法研究具有积极有效的意义。