本文首先对基因芯片技术和生物信息学方法进行了充分复习，同时分析了最近几年快速发展起来的统计学习理论和支持向量机(SVM)等学习方法。并由此提出了将基于递增学习、递减“反学习”策略的支持向量机训练技术，应用于大规模基因数据的分类问题中。在递增策略中，对于l+1个训练数据的求解，转化为求解l个训练数据和一个新数据的问题；在递减策略中，则主要采用去一法(Leave-One-Out)，每次从训练集中删除一个数据，来测试SVM的学习性能。模拟数据和真实基因数据实验表明，支持向量机方法好于传统的典型判别分析(CanonicalDiscriminantAnalysis，CDA)法，其分类结果准确率更高，并且具有更好的灵敏度和特异度。特别是对于数据维数较高，CDA方法无法有效求解的情况，SVM方法仍然可以获得较为准确有效的结果。总之，基于递增和递减策略的支持向量机是一种计算简单，方便有效的机器学习技术，可以广泛地应用到SVM的训练和推广能力的评估上。特别是对于大规模的训练数据集，递增和递减策略在很大程度上提高了SVM的建模效率，并且所求得的结果是针对全体训练数据的最优解。