肿瘤是当今威胁人类生命的主要病因之一,如何识别和诊断肿瘤是所有研究人员关注的焦点。随着生物信息技术的发展,从基因表达谱中提取出致病基因已经成为肿瘤治疗和预防的主要手段。特征提取是数据挖掘中一种非常有效的手段,但是由于基因表达谱中的基因表达数据常常具有高维、高噪和高冗余的特点,大大降低了特征提取方法的性能,并导致方法的复杂度急剧上升。因此,设计一种有效的特征提取方法在肿瘤诊断中显得格外重要;此外,在基因的分类过程中,分类器的选择和构造也对分类结果影响甚大,好的分类模型不仅可以提升分类精确度,还可以提升分类效率。因此,本文针对基因分类过程中的特征提取和分类模型分别进行了改进,提出了改进两种方法。本文主要的研究工作如下:(1)传统的特征提取方法一般都没有充分利用基因之间的相关性和结构信息特性,致使分类的总体性能不高。因此,本文尝试将原用于图像识别领域的2DPCA算法引入到特征基因选取上,并且针对2DPCA存在的冗余性高的缺陷,提出了一种基于信息熵的2DPCA特征基因提取方法(2DEPCA)。该方法的思想是:首先将用于热力统计学的熵信息引入到基因表达数据的特征子集的初选中,然后再将初选之后的特征基因进行二维主成分分析。实验结果表明,2DEPCA在保证分类的准确度的前提下,有效的降低了数据的冗余性,提升了特征提取效率,实验中将2DEPCA方法与相关特征提取方法进行分析对比,最终也验证了2DEPCA方法的可行性和有效性。(2)针对SVM训练时寻参效率低的问题,在传统寻参的网格搜索方法的基础上提出了基于SVM的自适应的肿瘤分类方法(RGS-SVM)。该方法的基本思想是:通过将折半查找和迭代的思想,缩短了搜索的范围,提高寻参效率,最后通过六组数据集的实验分析,该算法与传统的自适应分类算法相比,在分类准确率提高或保持不变的前提下,大大降低了搜索时间。