La reducción de dimensionalidad es esencial en el aprendizaje automático, reduciendo las dimensiones del conjunto de datos mientras mejora el rendimiento de clasificación. La Selección de Características, un subconjunto clave de la reducción de dimensionalidad, identifica las características más relevantes. Los Algoritmos Genéticos (GA) son ampliamente utilizados para la selección de características debido a su exploración robusta y convergencia eficiente. Sin embargo, los GAs a menudo sufren de convergencia prematura, quedando atrapados en óptimos locales. El Algoritmo Genético Cuántico (QGA) aborda esta limitación al introducir representaciones cuánticas para mejorar el proceso de búsqueda. Para mejorar aún más el rendimiento de QGA, proponemos un Algoritmo Genético Cuántico Basado en Características Adaptativas (FbQGA), que fortalece la exploración y explotación a través de representación cuántica y rotación cuántica adaptativa. El ángulo de rotación se ajusta dinámicamente en función de la importancia de la característica, optimizando la selección de características. FbQGA se aplica a tareas de detección de valores atípicos y se compara con GA básico y variantes de QGA en cinco conjuntos de datos de alta dimensionalidad y desequilibrados. El rendimiento se evalúa utilizando métricas como precisión de clasificación, puntuación F1, precisión, recuperación, cantidad de características seleccionadas y costo computacional. Los resultados muestran consistentemente que FbQGA supera a otros métodos, con mejoras significativas en la eficiencia de selección de características y costo computacional. Estos hallazgos destacan el potencial de FbQGA como una herramienta avanzada para la selección de características en conjuntos de datos complejos.