Los métodos de selección de características (FS) desempeñan roles esenciales en diferentes aplicaciones de aprendizaje automático. Varios métodos de FS han sido desarrollados; sin embargo, aquellos métodos de FS que dependen de algoritmos metaheurísticos (MH) han mostrado un rendimiento impresionante en diversos dominios. Por lo tanto, en este artículo, basados en los avances recientes en algoritmos MH, presentamos una nueva técnica de FS para modificar el rendimiento del Algoritmo de Optimización de Mangosta Enana (DMO) utilizando optimización basada en quantum (QBO). La idea principal es utilizar QBO como una búsqueda local del DMO tradicional para evitar sus limitaciones de búsqueda. Así, el método desarrollado, llamado DMOAQ, se beneficia de las ventajas del DMO y QBO. Se prueba con conjuntos de datos de referencia conocidos y de alta dimensionalidad, con comparaciones exhaustivas con varios métodos de optimización, incluido el DMO original. Los resultados de la evaluación verifican que el DMOAQ ha mejorado significativamente la capacidad de búsqueda del DMO tradicional y ha superado a otros métodos comparados en los experimentos de evaluación.