在分類中，特征選擇一直是一個重要而又困難的問題．最近研究表明森林優(yōu)化特征選擇算法（FSFOA）具有更好的分類性能及較好的維度縮減能力，然而，初始化階段的隨機性、更新機制上的局限性及局部播種階段新樹的劣質(zhì)性嚴重限制了該算法的分類性能和維度縮減能力．本文采用一種新的初始化策略和更新機制并在局部播種階段加入貪婪策略，形成一個新的特征選擇算法IFSFOA．在最大化分類性能的同時最小化特征個數(shù)．實驗階段，IFSFOA使用SVM．J48和KNN分類器指導學習過程，通過機器學習數(shù)據(jù)庫UCI上的小維，中維，高維數(shù)據(jù)集進行測試．實驗結(jié)果表明，與FSFOA相比。IFSFOA在分類性能和維度縮減上均有明顯提高．將IFSFOA算法與近幾年提出的比較高效的特征選擇方法進行對比。不論是在準確率。還是在維度縮減上。IFSFOA仍具有很強的競爭力。