La eficiencia y la efectividad de un modelo de aprendizaje automático (ML) están influenciadas en gran medida por la selección de características (FS), un paso de preprocesamiento crucial en el aprendizaje automático que busca el conjunto ideal de características con la máxima precisión posible. Debido a su dominio sobre las técnicas de optimización tradicionales, los investigadores se están concentrando en una variedad de algoritmos metaheurísticos (o evolutivos) y tratando de sugerir técnicas híbridas de vanguardia para manejar problemas de FS. El uso de enfoques metaheurísticos híbridos para FS ha sido, por lo tanto, objeto de numerosos trabajos de investigación. El propósito de este artículo es evaluar críticamente los enfoques híbridos de FS existentes y ofrecer una revisión exhaustiva de la literatura sobre la hibridación de diferentes estrategias metaheurísticas/evolutivas que se han empleado para apoyar FS. Este artículo revisa documentos pertinentes sobre marcos híbridos que se publicaron en el período de 2009 a 2022 y ofrece un análisis exhaustivo de las técnicas utilizadas, clasificadores, conjuntos de datos, aplicaciones, métricas de evaluación y esquemas de hibridación. Además, se identifican nuevos problemas de investigación abiertos y desafíos para señalar las áreas que deben ser exploradas más a fondo para estudios adicionales.