癌症是世界上死亡率最高的疾病之一,几乎所有类型的癌症都是造成死亡的重要原因,如何在早期识别出癌症的致病基因是当前重要的任务。随着大数据时代的到来,生物组学数据的泛滥导致基因组数据多而杂,因此对癌症基因组数据进行特征选择尤为重要。但如今传统的特征选择算法处理癌症基因数据将会导致保留特征数量较多和特征分类精度不高问题,深度学习的出现使得面对癌症基因进行特征选择得到进一步发展。深度特征选择算法可以直接描述出特征之间的隐含关系,并且直接生成最优特征子集,提高数据分类精度。本文重点是解决基因数据在分类上精度不高问题,探索有效的深度特征选择算法。具体如下:本文针对癌症基因数据特征选择保留数目多、分类精度不高问题,提出了两阶段深度特征选择算法（TSDFS）,该算法在保证选择特征数量较少的情况下,提高分类精度。第一阶段,先集成使用三种传统的特征选择算法对原始高维数据进行特征选择,得到数量较少的特征。三种特征选择算法分别为基于统计学原理的方差检验,基于相关性分析的RRelief F算法和随机森林。第二阶段,将上一步选择出的特征子集放入无监督神经网络变分自编码器（VAE）中对特征进行进一步的提取,进而提高分类精度。本文通过多种实验分析TSDFS有效性,实验结果表明TSDFS在减少特征数目的同时,提高了分类的精度。同时,我们针对胃癌癌症单基因组数据存在信息不足和分类精度不高问题,提出一种基于随机森林的深度特征选择（RDFS）算法,首先对两种基因组数据进行整合分析,获取胃癌不同层面的基因数据形成多组学数据,通过对整合的多组学数据的特征选择来提高胃癌的分类精度。首先整合基因表达（Exp）数据与拷贝数突变（CNV）,之后我们采用基于随机森林（RF）算法对整合的基因数据进行特征选择,获得特征子集,最后将特征选择后的特征子集导入神经网络中进行层层处理,进而提高特征分类。通过神经网络分类后,多基因数据分类精度明显提高。本文也通过多方面实验来验证了RDFS算法比其他算法更为优秀。