早期诊断癌症可以显著提高癌症患者的生存率，尤其是肝癌患者。机器学习是癌症分类的有效工具。如何在复杂的高维癌症数据集中选择低维、高分类精度的特征子集是癌症分类中的一个难题。本文提出了一种两阶段特征选择方法SC-BPSO：将Spearman相关系数和卡方独立检验相结合作为滤波器，然后将SC过滤器方法和基于二进制-粒子群算法（BPSO）的包裹器方法相结合，设计了一种新的滤波方法SC滤波器，以实现两阶段特征选择。将其应用于高维数据的癌症分类问题，以区分正常样本和肝细胞癌样本。首先，对来自美国国家生物信息中心（NCBI）和欧洲生物信息研究所（欧洲生物信息研究所）（EBI）的130个肝组织（64个肝细胞癌，66个正常肝组织）的microRNA序列数据进行预处理，并使用MiRME算法从原始序列文件中提取microRNA的表达量、编辑级别和编辑的表达量特征。然后，调整肝细胞癌分类场景中SC－BPSO算法的参数，以选择关键特征子集。最后，建立分类模型预测结果，并使用随机森林、支持向量机、决策树和KNN四个参数相同的分类器，将分类结果与信息增益过滤器、信息增益率过滤器和BPSO包裹器特征选择算法选择的特征子集进行比较。使用SC－BPSO算法选择的特征子集，分类准确率高达98.4%。结果表明，与其他三种特征选择算法相比，SC－BPSO算法能够有效地找到尺寸更小、精度更高的特征子集。这对于高维数据的少量样本的癌症分类可能具有重要意义。