随着计算机和互联网的全面普及,数据库技术以及相关的数据采集、数据存储技术的高速发展,各行各业中数据分析需求越来越多数据,挖掘技术扮演着越来越重要的角色。随着计算机相关技术的进一步发展,大数据时代到来,数据的规模越来越大维度越来越高,在这些大规模高维数据中并非所有的数据都是有用的信息,其中存在着大量冗余的、无关的特征,给当前数据挖掘技术带来了巨大挑战。这时,数据降维就显得非常必要。而特征选择作为一种降维方法也成为数据挖掘的研究热点,发展迅速。本文介绍了特征选择的一般过程、相关搜索策略和优化算法,并分析了特征选择的研究现状和主要研究方向。根据支持向量机(SVM)分类器的优点,采用SVM特征选择,并提出一种改进的引力搜索算法(GBGSA)用于特征子集的搜索,并对SVM进行参数同步优化,构建一个基于改进引力算法的SVM特征子集选择系统。首先,介绍了 SVM和几种群智能算法的基本原理,并介绍了利用群智能算法对SVM进行参数优化和特征选择方法。然后,详细地介绍了引力搜索算法(GSA),以及在二进制空间中的二进制引力算法(BGSA)。同时针对引力算法易陷入局部最优解及解精度不高等问题,引入遗传算法的交叉变异思想,采用锦标赛的选择方法对粒子种群进行交叉操作,提出一种自适应变异方法对粒子转移速度进行变异操作,进而提出了一种改进的引力搜索算法(GBGSA)。并根据对基准函数的测试,验证所提算法的优良性。最后,利用所提出的改进引力搜索算法,同步优化SVM参数和特征选择,构建GBGSA-SVM系统。根据在UCI数据集上的实验,对比遗传算法和引力搜索算法的优化结果,验证了算法的优良性。并利用GBGSA-SVM对白内障危险因素进行研究分析,为白内障病理研究和相关预防提供了一定的参考价值。