針對支持向量機（ SVM）中特征選擇和參數(shù)優(yōu)化對分類精度有較大影響，提出了一種改進的基于粒子群優(yōu)化（ PSO）的SVM特征選擇和參數(shù)聯(lián)合優(yōu)化算法（GPSO-SVM），使算法在提高分類精度的同時選取盡可能少的特征數(shù)目。為了解決傳統(tǒng)粒子群算法在進行優(yōu)化時易出現(xiàn)陷入局部最優(yōu)和早熟的問題，該算法在PSO中引入遺傳算法（GA）中的交叉變異算子，使粒子在每次迭代更新后進行交叉變異操作來避免這一問題。該算法通過粒子之間的不相關(guān)性指數(shù)來決定粒子之間的交叉配對，由粒子適應(yīng)度值的大小決定其變異概率的大小，由此產(chǎn)生新的粒子進入到群體中。這樣使得粒子跳出當(dāng)前搜索到的局部最優(yōu)位置，提高了群體的多樣性，在全局范圍內(nèi)尋找更優(yōu)值。在不同數(shù)據(jù)集上進行實驗，與基于PSO和GA的特征選擇和SVM參數(shù)聯(lián)合優(yōu)化算法相比，CPSO-SVM的分類精度平均提高了2% - 3%，選擇的特征數(shù)目減少了3% - 15%。實驗結(jié)果表明，所提算法的特征選擇和參數(shù)優(yōu)化效果更好。