将迁移学习和数据分组处理算法集成起来，提出了一种基于数据分组处理算法的迁移特征选择（GMDH-TFS）模型。在UCI的四个数据集上，将GMDH-TFS模型与以全部特征作分类（FULL）的结果以及常用的特征选择模型（前向监督特征选择模型（SFFS）、前向半监督特征选择模型（FW-SemiFS）和迁移特征选择模型（TFS））作比较实验，结果表明，GMDH-TFS在特征选择方面比其他四种方法有更好的效果，在小样本情况下也得到了同样的结果。GMDH-TFS模型可以在数据分布不一致的情况下进行特征选择，同时面对数据匮乏也能取得理想的效果。