基于神经网络的分类器是模式识别领域中广为使用的一种分类方法。为了得到精度很好的神经网络分类器模型,需要对神经网络的训练数据进行特征约简,删除冗余特征和无关特征。约简后的训练数据不仅可以优化神经网络的结构,减少冗杂的隐含层节点,更重要的是,它可以大大提高神经网络的训练速度,并降低神经网络的分类误差。特征最优组合问题是一个NP问题,会随着特征个数的增加而出现组合爆炸,其时间以指数级别增长,传统的优化方法难以胜任。为此,设计了一种通用的基于遗传算法的特征组合优化方法。该方法将特征组合视为一个个体,由多个个体组成一个群体,通过种群的选择、交叉、变异,逐代演化从而得到较优的组合。为了解决初始种群远离最优个体,导致的收敛速度慢、易陷入局部极少的问题,在种群初始化时,计算各个特征的信息增益,作为各个特征对类别的区分度,对于信息增益值大的特征,给予更大的被选入初始个体的概率。为了节省个体适应度值计算时间,采用Hash表保存每代具有不同基因序列的个体,以便进一步加快遗传进化的速度。采用机器学习公共数据库—UCI(UCI Machine Learning Repository)中的14个数据集,对每个数据集进行了10次实验,每次实验都以十次交叉验证方式得到结果,10次实验结果均值作为每个数据集的最终结果。实验表明,信息增益启发下的初始化种群方式,能够有效改进遗传算法的性能,提高初始种群适应度的整体水平,并加快遗传算法的收敛速度,快速得到较优的特征组合,从而优化了神经网络的结构,提高了神经网络的训练速度,降低了神经网络的预测误差。