امروزه کاربردهای واقعی طبقه بندی که مجموعه های داده ای با حجم زیاد تولید می کنند به سرعت در حال افزایش هستند. مجموعه های داده ای در بسیاری از این کاربردها دارای تعداد زیادی ویژگی به نسبت تعداد کم الگوها هستند که بسیاری از این ویژگی ها نامناسب و دارای افزونگی می باشند و می توانند تاثیر منفی بر روی عملکرد الگوریتم های یادگیری داشته باشند. یک راهکار رایج و مهم برای غلبه بر این مشکل، استفاده از تکنیک های انتخاب ویژگی است که هدف آن انتخاب مناسب ترین ویژگی ها از بین مجموعه ویژگی های اولیه، برای افزایش عملکرد الگوریتم های یادگیری است. معمولاً جستجوی جامع برای پیدا کردن مناسب ترین ویژگی ها به لحاظ هزینه محاسباتی غیر ممکن است. بنابراین انتخاب ویژگی تبدیل به یک چالش عمده در شناسایی الگو و یادگیری ماشین شده است. در این پایان نامه، ابتدا یک روش انتخاب ویژگی جدید مبتنی بر راهکار فیلتر ارائه می شود. در این روش، مسئله انتخاب ویژگی به صورت گراف بازنمایی شده و سپس با استفاده از الگوریتم بهینه سازی کلونی مورچه ها مناسب بودن هر ویژگی تعیین خواهد شد. مزیت عمده روش پیشنهادی، استفاده از الگوریتم مبتنی بر هوش جمعی در راهکار فیلتر است که از هیچ طبقه بندی کننده ای در فرآیند انتخاب ویژگی استفاده نمی کند. همچنین شباهت مابین ویژگی ها در تعیین مناسب بودن آنها درنظر گرفته می شود که منجر به کاهش افزونگی خواهد شد. سپس در ادامه پایان نامه، برای بهبود کارایی و بالا بردن سرعت همگرایی روش پیشنهادی اول، چند روش انتخاب ویژگی دیگر مبتنی بر راهکار فیلتر ارائه خواهد شد. در روش بهبود یافته اول، مناسب بودن هر ویژگی به تنهایی محاسبه شده و در فرآیند انتخاب ویژگی در نظر گرفته می شود. در روش بهبود یافته دوم، انتخاب ویژگی افزایشی معرفی می شود که در آن به جای شباهت مابین دو ویژگی، شباهت مابین یک زیرمجموعه از ویژگی ها محاسبه می شود. در روش بهبود یافته سوم، مفهوم سرد شدن تدریجی در الگوریتم بهینه سازی کلونی مورچه ها جهت کنترل تصادفی بودن الگوریتم بکار برده می شود. در نهایت عملکرد روش های پیشنهادی با 11 روش انتخاب ویژگی شناخته شده تک متغیره و چند متغیره مبتنی بر راهکار فیلتر، با استفاده از طبقه بندی کننده های مختلف مقایسه شده است. نتایج آزمایشات نشان می دهد که روش های پیشنهادی، به لحاظ دقت طبقه بندی، عملکرد بهتری نسبت
