Los algoritmos evolutivos se han aplicado ampliamente para resolver problemas de optimización multiobjetivo, mientras que la selección de características en la clasificación también puede tratarse como un problema de optimización biobjetivo discreto si se intenta minimizar tanto el error de clasificación como la proporción de características seleccionadas. Sin embargo, los algoritmos evolutivos multiobjetivo tradicionales (MOEAs) pueden tener inconvenientes para abordar la selección de características a gran escala, debido a la maldición de la dimensionalidad en el espacio de decisión. Por lo tanto, en este documento, nos centramos en diseñar un algoritmo evolutivo basado en la descomposición de múltiples tareas (abreviado como MTDEA), especialmente para manejar la selección de características biobjetivo de alta dimensionalidad en la clasificación. Para ser más específicos, varias subpoblaciones relacionadas con diferentes tareas evolutivas se inicializan por separado y luego se fusionan de forma adaptativa en una única población integrada durante la evolución. Además, los puntos ideales para estas subpoblaciones de múltiples tareas se ajustan dinámicamente en cada generación, para lograr diferentes preferencias de búsqueda y direcciones evolutivas. En los experimentos, el MTDEA propuesto se comparó con siete MOEAs de vanguardia en 20 conjuntos de datos de clasificación de alta dimensionalidad en términos de tres indicadores de rendimiento, junto con el uso de pruebas exhaustivas de Wilcoxon y Friedman. Se descubrió que el MTDEA tuvo el mejor rendimiento en la mayoría de los conjuntos de datos, con una capacidad de búsqueda significativamente mejor y una eficiencia prometedora.