在进入21世纪之后,癌症在我国的发病率和死亡率均有大幅度提升,严重影响我国居民的生命健康安全。对癌症的早期诊断是及时进行治疗的前提,早发现、早治疗或许就能挽救一条生命。利用基因数据进行癌症的早期诊断成为了一个新的研究方向,但基因数据存在高维度、稀疏性、小样本和非均衡的特点导致对其分析存在困难。因此,许多相应的基因数据处理方法开始被提出,这些方法能够很好地降低基因数据的维度,保留对癌症分类关键的部分重要基因,这对癌症的诊断以及病因的研究十分重要。本文针对高超维判别分类数据中的特征筛选理论和应用进行了深入的研究。主要内容如下:（1）针对超高维二分类判别数据,基于给定Y条件下Xj的条件信息熵之间的差异,提出了一种新的超高维特征筛选方法（KD-CIES）,并在一定正则性假设下结合相关引理证明了KD-CIES方法的确定筛选性质和排序相合性。之后通过蒙特卡洛模拟与其他使用较多的超高维特征筛选方法比较发现,当处于变量样本类别比例失衡的情形下时,KD-CIES方法的筛选结果较好;当误差项服从t分布时几种筛选方法效果差不多。因此,从整体上来说,KD-CIES方法的筛选效果是优于其余方法的。（2）针对超高维多类别判别分类数据,基于基尼相关系数构建了无模型下的特征筛选方法（GC-SIS）,对连续型特征进行筛选。之后将其推广到协变量为分类变量,因变量为连续数据的情形下。在一定的正则条件下证明了确定筛选性质和指标排序相合性。并通过蒙特卡洛模拟与其他使用较多的超高维特征筛选方法比较发现,GC-SIS对重要变量排序的稳定性较优,在均衡和非均衡数据中当误差项为正态分布或某些厚尾分布时,GC-SIS均优于其余方法。（3）使用上述两种降维方法对癌症基因数据进行特征筛选,之后使用支持向量机对降维后的数据进行判别分类,并对分类器的分类效果进行评估,发现本文提出的变量筛选方法较其他方法具有更好的分类效果,这表明方法KD-CIES和GC-SIS用于癌症的判别分类是有效可行的。