انتخاب ویژگی یکی از مراحل مهم و اساسی در زمینه ی بازشناسی الگو، یادگیری ماشین و داده کاوی می باشد. هدف از انتخاب ویژگی، انتخاب بهینه ترین زیرمجموعه ویژگی از کل فضای ویژگی های اصلی مسئله مورد نظر است، به طوری که ضمن کاهش ابعاد می توان به دقت طبقه بندی مطلوبی دست یافت. در این پایان نامه فرآیند انتخاب ویژگی به صورت جستجوی سراسری در فضای کل ویژگی ها و با استفاده از رویکرد wrapper می باشد و از نسخه دودویی الگوریتم جستجوی هارمونی به عنوان الگوریتم هوشمند به منظور انتخاب زیرمجموعه ویژگی بهینه، و از رویکرد جدیدی مبتنی بر روش«یک در مقابل همه» برای ارزیابی زیرمجموعه ویژگی های انتخاب شده، استفاده شده است. همچنین برای انتخاب زیرمجموعه ی بهینه از الگوریتم بهینه سازی سیستم صفحات شیبدار نیز استفاده شده است. عملکرد روش های پیشنهادی بر روی تعدادی مجموعه داده که همگی از مجموعه داده های uci می باشند مورد ارزیابی قرارگرفته است. آزمایشات متعدد و متنوع صورت گرفته بر روی مجموعه داده های مورد نظر، برتری روش های پیشنهادی را در مقایسه با روش های مشابه نشان می دهد.