由于信息技术的发展,各领域数据往往包含大量冗余特征,因此分类模型性能下降.特征选择是一种有效去除冗余特征的数据预处理技术,然而,已有的特征选择方法无法在选择有效特征的同时保证模型较高的分类准确率.为了解决该问题,提出了一种基于图卷积网络的强化学习特征选择方法.以深度Q网络为基本框架,将特征选择问题映射为马尔可夫决策过程.首先,设计了一种基于图卷积网络的状态表示方法,将特征子集转换成图结构,以高效地捕捉特征间关系;接着提出了一种综合考虑特征重要性、特征间相关性和分类性能的奖励函数引导智能体选择高Q值特征,以使得到的特征子集综合考虑几方面性能.在14个公共数据集和脑卒中筛查数据集上进行实验,结果表明:相比于已有的深度Q网络特征选择方法,所提方法在Congress数据集和脑卒中筛查数据集的准确率分别为99%和85%,分别提高了11.0%和3.6%,验证了该方法的有效性和可行性.