肿瘤是人类健康的一大威胁,肿瘤的发生是由于基因的异常表达,而基于微阵列技术的基因表达谱可近似反映基因的表达情况。但基因表达数据中绝大多数基因与肿瘤发病无关。因此,本文基于基因表达数据,致力于模糊邻域粗糙集基因选择方法的研究,为肿瘤的发病预测及诊断提供了新的方法。主要研究内容如下:（1）针对现有方法在肿瘤分类过程中未考虑样本的邻域与决策等价类存在不完全包含,从而导致肿瘤分类精度不高的问题,引入参数化的模糊相似关系对模糊邻域信息系统中的连续型数据进行粒化,以最大可能保留连续型数据的分类信息,提出了一种基于模糊邻域互信息的变精度肿瘤基因选择方法。首先,引入一种新的熵度量模糊相似关系的不确定性;然后,给出了模糊邻域联合熵、模糊邻域条件熵和模糊邻域互信息的定义,研究了这些不确定性度量的基本性质;最后,定义了模糊邻域信息系统中的外部属性重要度和内部属性重要度,用该指标来评价候选特征,从而设计了一种基于模糊邻域互信息的变精度肿瘤基因选择算法,并将该算法应用于基因表达数据。该算法在六个公开基因表达数据集（DLBCL、SRBCT、Leukemia1、9＿Tumors、Leukemia、Brain＿Tumor2）上进行仿真实验,其结果表明,与现有算法相比,该算法可有效去除基因表达数据集中的噪声和冗余基因,获得较小的特征子集,提高肿瘤的分类精度,且具有较好的稳定性。（2）针对模糊邻域粗糙集特征选择过程中未考虑随着属性的增加,存在正域减小、分类精度降低的问题,提出了一种基于模糊邻域互信息的非单调性肿瘤基因选择方法。首先,使用机器学习中的Fisher score降维方法对基因表达数据集进行初步降维;其次,将覆盖度和可信度引入到模糊邻域信息系统中,提出模糊邻域覆盖度和模糊邻域可信度,并将其与信息熵的不确定度量相结合,提出了模糊邻域决策熵、模糊邻域条件熵、模糊邻域联合熵以及模糊邻域互信息;然后,研究这些不确定性度量的性质以及它们之间关系,设计了一种基于模糊邻域互信息的非单调性特征基因选择算法。该算法在四个公开基因表达数据集（Colon、Leukemia、Brain＿Tumor2和Lung）上进行十折交叉验证的仿真实验,实验结果表明,与现有的相似算法相比,该算法可大幅度降低基因表达数据的维数。