近年来,肿瘤疾病已经严重威胁到人类的生命健康,与此同时生物信息技术也在快速发展,利用基因表达谱数据在基因水平上研究肿瘤的发生发展机理,有助于肿瘤的诊断和治疗。基因芯片技术可以同时检测成千上万个基因的动态表达水平,这些表达值构成了基因表达谱数据。肿瘤的基因表达谱数据具有高维小样本的特点,然而只有少量的基因真正与肿瘤分类相关。由于冗余基因不仅增加了时间复杂度,而且还降低了分类准确度,因此需要从基因当中挑选出信息基因用于对肿瘤分类。针对这个问题,本文主要研究适用于肿瘤基因表达谱数据分析的新方法,主要工作总结如下:提出了一种改进的ReliefF和遗传算法耦合的组合式特征选择方法。算法首先对ReliefF中样本的选取方法做了改进,然后采用改进的ReliefF对基因进行加权,并选出权重较高的信息基因,最后利用这些信息基因来指导遗传算法的种群初始化,其目的是为了提高遗传算法搜索最优解的速度,以便在较短的时间内寻找到最优解。在六个肿瘤数据集上进行了实验,结果表明,从分类准确率、敏感度、特异性和特征子集大小等多个角度考察,该算法具有良好的综合性能。提出了一种基于哈达码纠错码支持向量机的肿瘤分类算法。算法首先通过哈达码矩阵来生成纠错编码,然后通过纠错编码将多类别的肿瘤分类问题转换为多个二分类问题,最后利用支持向量机来训练各个二分类器。在算法中通过对各个二分类器进行了准确率加权和筛选,保留了分类性能好的分类器,保证了分类的准确率。在六个多类别的肿瘤数据集上与经典的基于支持向量机的多类分方法进行了比较,证明了该方法的有效性。