针对传统的whale优化算法（WOA）不能有效处理连续数据和邻域粗糙集对噪声数据容错性差的问题，提出了一种基于自适应WOA和容错邻域粗糙集的特征选择算法。首先，为了避免WOA过早陷入局部优化，基于迭代周期构造了分段动态惯性权重，然后，为了解决邻域粗糙集对噪声数据缺乏容错性的问题，引入了邻域中相同决策特征的比例，定义了容错邻域的上下近似集、容错近似精度和近似粗糙度、容错依赖性和容错近似条件熵，基于容错邻域粗糙集构造了适应度函数，并利用自适应WOA进行连续迭代以获得最优子群。费雪评分算法用于高维数据集的初步降维，以降低算法的时间复杂度。在8个低维UCI数据集和6个高维基因数据集上的实验表明，本文算法能够有效地选择特征较少、分类精度较高的特征子集