La selección de características en clasificación es un problema de optimización complejo que no puede resolverse en tiempo polinómico. La selección de características biobjetivo, que tiene como objetivo minimizar tanto las características seleccionadas como los errores de clasificación, es un desafío debido al conflicto entre los objetivos, mientras que una de las formas más efectivas de abordar esto es utilizar algoritmos evolutivos multiobjetivo. Sin embargo, muy pocos de estos han reflejado alguna vez un marco evolutivo multitarea, a pesar del paralelismo implícito ofrecido por la característica de búsqueda basada en población. En este artículo, se propone un algoritmo evolutivo multiobjetivo basado en multitarea dinámica (denominado DTEA) para manejar la selección de características biobjetivo en clasificación, que no solo es adecuado para conjuntos de datos con una dimensionalidad relativamente baja de características, sino que también es adecuado para conjuntos de datos con una dimensionalidad relativamente alta de características. Se estudió el papel e influencia de la multitarea en la selección de características evolutivas multiobjetivo, y se propuso un mecanismo de multitarea dinámica para asignar de forma autoadaptativa múltiples tareas de búsqueda evolutiva mediante el análisis intermitente de los comportamientos de la población. La eficacia de DTEA se probó en 20 conjuntos de datos de clasificación y se comparó con siete algoritmos evolutivos de vanguardia. También se realizó un análisis de contribución de componentes comparando DTEA con sus tres variantes. Los resultados empíricos muestran que el mecanismo de multitarea dinámica funciona eficientemente y permite que DTEA supere a otros algoritmos en la mayoría de los conjuntos de datos en términos de optimización y clasificación.