伴随着高通量数据存储技术的发展,以及在生物信息领域各种测序技术的成熟,生物信息数据的维度呈爆炸式增长。如何从海量的数据中挖掘有效的信息,是生物信息以及数据挖掘领域的热门问题。人类的基因表达谱数据中包含着反映疾病产生原因的重要信息,而人体内基因数量极多,如果能够从众多基因中挖掘和相关疾病相关的生物标志物,不单单可以推动这类疾病的相关研究,还可以帮助临床更好的治疗该种疾病。而在基因表达谱数据集中,与某种病变相关的基因往往在正常样本与患病样本中具备差异性,因此找到这些基因后,可以使用机器学习算法进行分类,从而实现疾病的检测和预测。生物信息学领域认为,功能相似的基因往往协同进行工作,可以视为一个整体看待。同时,这些基因在基因表达谱上存在数值上的相关性,彼此相关的基因便是网络生物标志物。本文基于网络生物标志物的理论基础,使用余弦相似度来描述基因之间的相关性,构造网络生物标志物,同时,本文结合嵌入式特征选择算法以及序列化特征选择策略,以机器学习模型的分类性能作为主要评价指标,设计了一种特征选择算法。该算法可以极大降低数据的特征维度,从海量基因中选择基因子集,有效的实现对疾病的检测。同时,本文整体对比了网络生物标志物和单因子生物标志物在分类性能上的差别,发现基于网络生物标志物的特征选择算法可以使用更少的特征,获得了和单分子生物标志物相近的分类性能,这对于精准医疗具有一定意义。此外,本文还与其他的特征选择算法进行了对比,发现基于网络生物标志物的特征选择算法在绝大多数场景下,可以更高效地对癌症数据进行分类预测。