基因芯片技术是联合了生命科学与信息科学这两大学科研究成果的一项崭新技术,现在已成为大规模提取和探索生物分子信息的高效方法之一。同时基因芯片技术也逐渐成为生物信息学中最为广泛应用的技术之一,它的主要应用是同时测量一个细胞样本中数以万计的不同基因的活动情况。基因芯片技术为基因诊断和基因治疗的诸多应用提供了很好的前提条件和可能性。目前,微阵列技术已被广泛应用于基因表达水平的录制实验。所获得的基因表达数据通常包括上万条基因的测量值,很多传统方法在处理这样高维度、低样本数的数据时都存在着效率问题。由于微阵列实验所获得的数据集常含有较少的组织样本,而每一组织却包括上万条基因的表达水平,并具有高信噪比和基因间的高相关度,大多数有监督的方法应用效果并不理想。本文将实现一个遗传算法与支持向量机的融合算法以进行特征基因抽取。这一融合算法的目标是结合两种算法的各自优点,确定对目标样本分类所需特征基因的个数和如何选择这些特征基因。在此融合方法中遗传算法作为搜索引擎,主要作用于特征抽取的特征搜索过程,过程中涉及变异及交叉过程的参数选择均采用自适应方式确定。支持向量机作为分类器,检验所选择特征基因的分类准确度,并由此产生遗传算法进化的适应度值,适应度值越高的个体进行变异和交叉的概论越小,群体的整体适应度值逐步提高。本文采用了弥散大B淋巴细胞数据与0.05显著性水平t检验的前列腺癌数据集,实验验证该融合算法在处理高维度的微阵列表达数据中的性能与特性。采用自适应参数的融合算法可以达到较高的分类准确度,并且具有较理想的收敛性。经查阅NCBI(美国国家生物技术信息中心)的生物学相关文献,可证明该融合算法获得的基因子集具有重要生物学意义。