在数据挖掘和机器学习领域，随着大规模、高维数据的不断涌现，特征选择已成为模式识别技术的核心问题之一。大量无关或冗余特征的存在不仅造成了维数灾难，还直接影响了分类器性能，因此需要对数据进行特征选择。特征选择是根据某种评估标准，从原始特征空间中除去不相关、冗余特征，以达到降低数据维数的目的。支持向量机(SVM)作为一种有效的识别工具，已被广泛应用于各领域，并在小样本高维数据中有其独特优势，本文将以支持向量机作为分类器用于特征选择。　　基于不同的评价准则，许多不同有效的特征选择算法被提出，但面对错综复杂的数据问题，特征选择技术还需不断完善。本文采用了一种基于SVM-RFE和粒子群算法(PSO)的两阶段特征选择算法，从特征选择搜索策略来看，SVM-RFE属于启发式序列后向选择算法，搜索速度快，但不能有效识别冗余特征。粒子群算法则是一种随机搜索智能优化算法，理论上能找到问题的最优解，其结果具有较高的不确定性。本文将利用SVM-RFE和粒子群算法的不同优势进行数据降维，首先利用SVM-RFE算法对特征进行排序，并按一定准则快速去掉部分无关特征，初步降低数据维数，然后以SVM-RFE排序后的优良子集初始化后续粒子群算法的部分种群，使其有一个好的搜索起点。因此，SVM-RFE算法能为后续粒子群算法提供较好的先验知识，减少了粒子搜索空间，并在一定程度上提高了算法选择效率。在粒子群算法中，采用自适应权重参数来有效避免算法过早收敛等问题。　　最后，通过UCI数据库的不同数据集进行验证，实验结果表明:比起单一的SVM-RFE和粒子群特征选择算法，该方法在不降低分类性能的情况下，能得到属性维数更少的子集，且在高维数据集上，该算法比单一粒子群算法花费的时间更少。