DNA微阵列技术的发展带来了大量的基因表达数据，分析和挖掘这些数据背后所蕴含的知识是目前生物信息学研究的一个热点。作为最基本的数据挖掘方法，分类在基因表达数据的分析中有着广泛的应用。由于基因表达数据具有小样本、高维的特点，传统分类方法的直接应用往往效果不佳，分类前进行降维已成为学术界的共识。特征选择由于能够保持每个特征的生物学意义，成为基因表达数据中最常用的降维方法。特征选择不仅可以降低分类学习算法的时间和空间复杂度，避免维数灾难，提高分类的预测精度，同时还有助于生物现象的解释。　　 本文针对两分类基因表达数据的特征选择问题，深入研究了后向和前向两类特征选择方法，主要的工作和创新点有：　　 1．在后向特征选择方面，针对SVM-RCE耗时的缺点，提出了SVM-RCE的改进方法ISVM-RCE。SVM-RCE主要包括聚类和聚类评价两个部分，SVM-RCE的聚类评价是对每个聚类分别用基于SVM的k-折交叉验证进行记分。k-折交叉验证是导致SVM-RCE耗时的主要原因。ISVM-RCE通过对SVM-RCE聚类评分环节的改进，在不丢失分类准确率的条件下，极大地提高了SVM-RCE的时间效率。　　 2．在前向特征选择方面，将组合分类器的修剪方法MSPM引入到基因选择，提出了一种前向特征选择方法FFS-ACSA。FFS-ACSA首先利用每个基因的信噪比构造分量分类器，然后用p-不敏感损失函数进行分量分类器（即基因）的选择。在与经典的前向特征选择方法SNR和著名的后向特征选择方法SVM-RFE的对比实验中，FFS-ACSA取得了比SNR方法更好、可与SVM-RFE相竞争的性能。