多模态大语言模型（MLLMs）仍易受可迁移对抗样本的攻击。尽管现有方法通常通过对齐对抗样本与目标样本之间的全局特征（如CLIP的[CLS]标记）来实现定向攻击，但往往忽视了patch标记中所蕴含的丰富局部信息，导致特征对齐效果不佳，迁移能力受限，尤其在闭源模型上表现更为明显。为解决这一局限性，本文提出一种基于特征最优对齐的定向可迁移对抗攻击方法——FOA-Attack，以提升对抗样本的迁移能力。具体而言，在全局层面，我们引入基于余弦相似度的全局特征损失，以对齐对抗样本与目标样本的粗粒度特征；在局部层面，考虑到Transformer架构中蕴含丰富的局部表征，我们采用聚类技术提取紧凑的局部模式，以缓解冗余局部特征的问题。随后，我们将对抗样本与目标样本之间的局部特征对齐建模为最优传输（Optimal Transport, OT）问题，并提出一种局部聚类最优传输损失，以优化细粒度特征对齐。此外，我们设计了一种动态集成模型加权策略，在生成对抗样本过程中自适应地平衡多个模型的影响，从而进一步提升迁移性能。大量实验结果表明，所提方法在多种模型上均表现出显著优势，尤其在向闭源多模态大语言模型迁移时，显著优于现有最先进方法。