支持向量机是在统计学习理论的基础上发展起来的一种新的学习方法,是目前最为流行的分类技术之一。与其他学习算法相比,支持向量机使用了结构风险最小化原则,能较好的解决小样本学习问题,尤其是针对维数高、样本小、非线性的基因微阵列数据。　　 DNA微阵列由于荷载了成千上万个DNA片段,由此而产生大量的基因微阵列数据,其研究和分析对辅助疾病的诊断和治疗有很高的医学应用价值。随着微阵列信息处理和信息挖掘技术开发的与日俱增,支持向量机作为一种有潜能的数据挖掘技术已经成为研究基因芯片的一个重要方向。围绕此课题,论文主要做了以下方面的工作:　　 (1)针对基因微阵列数据的维数灾难问题,本文设计将支持向量机与多种降维方法融合的优化方法。研究多种降维方法对提高支持向量机分类器性能的影响。　　 (2)采用五种癌症数据进行降维分析并给出SVM分类结果。通过研究线性和非线性降维方法对微阵列数据分类结果影响,从而验证了高维生物数据潜在的非线性结构。　　 (3)采用两种线性(PCA、MDS)和三种非线性降维方法(Isomap、LLE、LEM)并将降维数据在低维空间中进行可视化投影,同时对低维空间进行聚类评估。