افزایش روز افزون اطلاعات در سراسر جهان از یک طرف و نیاز به سریعتر انجام شدن کارها از طرف دیگر منجر به ایجاد روش های نرم افزاری جهت کاهش پیچیدگی محاسباتی و زمانی در کنار پیشرفت های چشمگیر مولفه های سخت افزاری، شده است. یکی از این روش های نرم افزاری، انتخاب ویژگی است که به عنوان پیش پردازش در تمام تحقیقات قابل استفاده است. انتخاب ویژگی تکنیکی برای کاهش ابعاد (ستونی) مجموعه داده می باشد که کاربردهای فراوانی در داده کاوی، یادگیری ماشین و تشخیص الگو دارد. هدف این تکنیک، انتخاب زیر مجموعه ای از ویژگی ها است که حاوی اطلاعات بیشتری راجع به نتیجه دسته بندی باشد. در این پایان نامه به بررسی روش های مختلف انتخاب ویژگی بر پایه مجموعه های سخت و فازی پرداخته و ایده های نوینی در این زمینه ارائه می شود. بهبودهایی جهت افزایش کارایی الگوریتم کاهش سریع برای توقف پروسه انتخاب و همچنین انتخاب هوشیارانه در شرایط خاص ارائه شده است وترکیبی نوین از الگوریتم جهش قورباغه و انتخاب ویژگی سختِ فازی9 ارائه شده که نتایج نشان دهنده افزایش کارایی در انتخاب ویژگی ها می باشد.