La optimización de características, que es el tema de este artículo, es en realidad la selección selectiva de las variables en el lado de entrada al hacer un tipo de modelo predictivo. Sin embargo, en el artículo se propuso un algoritmo de optimización de características mejorado para la señal de aliento basado en el Pearson-BPSO y se aplicó para distinguir el carcinoma hepatocelular mediante nariz electrónica (eNose). En primer lugar, se extrajeron las características multidimensionales de las curvas de aliento de los pacientes con carcinoma hepatocelular y los controles sanos en las muestras de entrenamiento; luego, las características con menos relevancia para la clasificación fueron eliminadas según el coeficiente de correlación de Pearson; a continuación, se construyó la función de aptitud basada en el error de clasificación del K-Nearest Neighbor (KNN) y la dimensión de la característica, y se obtuvo la matriz de transformación de optimización de características basada en BPSO. Además, la matriz de transformación se aplicó para optimizar las características de las muestras de prueba. Finalmente, el rendimiento del algoritmo de optimización fue evaluado por el clasificador. Los resultados del experimento han demostrado que el algoritmo Pearson-BPSO podría mejorar efectivamente el rendimiento de la clasificación en comparación con los métodos de optimización BPSO y PCA. La precisión de los clasificadores SVM y RF fue del 86.03% y del 90%, respectivamente, y la sensibilidad y especificidad fueron aproximadamente del 90% y del 80%. En consecuencia, la aplicación del algoritmo de optimización de características Pearson-BPSO ayudará a mejorar la precisión de la detección de carcinoma hepatocelular por eNose y promover la aplicación clínica de la detección inteligente.