随着高通量生物技术的长足发展,基因芯片和质谱技术逐渐取代传统方法成为对各种疾病和生理特征进行准确比较和量化的重要手段。尽管其前景可观,这类高通量技术给数据分析却带来众多挑战。其根本原因是采用这些技术时,通常所产生的数据集都具有高特征项低样本量的特征。因此,要对数据样本进行准确分类,如何选取数据中的相关特征项成为数据分析成败的关键。经过近十年来的不懈研究,许多运用于其它领域和许多直接针对这类数据而设计的统计方法和算法被运用于解决进行数据关键特征选取的问题。然而,没有哪一种方法是所谓的“最佳方法”。相反的,对于不同数据,各种方法的分析结果显现出不稳定性。对于某种特定方法,分析效果时好时坏的情况在这类数据集的分析中时常发生。为了克服各种分析算法的弱点并合并它们的优势,进行混合型算法研究成为这类数据分析的一种重要途径。本文中,我们就如何进行基因芯片和质谱数据分析的混合算法设计进行讨论。我们首先给出一种基于多目标遗传算法和联盟分类算法的混合模型,并将其应用于基因芯片数据的特征基因选取和样本分类中。最终通过对多组两类和多类别型基因芯片数据的分析实验,验证了我们的多项假设和这种方法的有效性。在此基础上,我们进一步提出一种将聚类算法与上述多目标遗传算法模型进行组合的混合算法。基于生物学中心法则,我们成功地将原来用于基因芯片处理的数据分类概念运用于质谱数据的分析,并运用两组高通量质谱分析产生的数据集对所提出的基于聚类的混合模型进行了有效性的验证。实验结果表明,我们提出的混合算法在基因芯片和质谱数据的分析上有其独特的优越性,能起到为后续的各种生物分析和验证工作提供重要指导的作用。