我们处于一个日新月异的时代,不断的有新技术产生,不断的有产品问世。高通量基因组学、蛋白组学、代谢组学技术已被广泛的应用于各种癌症研究中。人类通过由这些技术获得的数据来建立疾病诊断、预后以及治疗的更好的模型。而且,这些技术还被用来识别和定性疾病的关键信号和找到药物开发的新目标。并且,这些技术从一个样本中可以得到成千上万的变量,这让科研人员面临着从高维特征中找到有用生物信息的难题。而数据挖掘被用于从海量数据中获得有用的信息。特征选择技术作为数据挖掘中的主要数据分析技术之一,被广泛的应用到了生物信息数据处理中。基于相关性的快速过滤式特征选择算法(Fast Correlation-Based Filter,FCBF)是特征选择Filter方法中比较高效的技术。FCBF算法的目的是使用对称不确定性去除不相关的特征,然后使用近似马尔科夫毯删除掉冗余的特征,从而得到一个特征子集。FCBF在筛选特征子集时优先留下和类标相关性高的特征,然后使用近似马尔科夫毯删掉与其冗余性较高的特征。但是,和类标强相关的特征结合起来并不一定就有好的分类效果,因此本文提出了JSU-FCBF算法。JSU-FCBF使用近似马尔科夫毯对特征进行聚类,然后使用联合对称不确定性(Joint Symmetrical Uncertainty,JSU)从每个聚类簇中筛选与已选特征联合区分能力强的特征得到特征子集。在8个公共数据集上的实验结果表明,JSU-FCBF特征选择算法挑选出的特征分类性能大多数情况下好于FCBF算法。遗传算法是一种借鉴生物进化的自然现象而发展的元启发式算法,是进化算法的一种。而这些自然现象主要是选择、杂交、突变等。本文对遗传算法进行研究,提出了一种基于联合对称不确定性和遗传算法的特征选择算法JSU-GA。该算法绑定相互关联性强、与类标的联合对称不确定性高的特征对,在遗传算法的进化(选择、交叉、变异)过程中视绑定的特征对为一个不可拆分的整体。在8个公共数据集上的实验结果表明,通过绑定联合作用强、联合信息高的特征对,JSU-GA特征选择算法所选特征的分类性能优于原始的遗传算法所选的特征,且所选特征的个数少于原始的遗传算法。