在癌症的治疗中,尽早正确地诊断肿瘤类别性质有助于疗效提高。DNA微阵列技术的发展使得人们可以从基因角度研究癌症诱发和病变的原因,极大地提高了肿瘤类型确诊准确率和癌症疗效。基因数据通常具有高维度,高冗余的特点。一个样本的基因个数可以达到数千甚至数万,但并不是所有的基因都与癌症类别有关,往往仅由少数关键基因决定病变。因此,直接对原始数据进行分类将会受到严重的干扰。同时,高维数据还带来了高昂储存成本和巨大计算量等一系列挑战。所以从原始巨量基因中选择出与疾病分类相关的重要基因,是基因数据分类的关键研究内容之一。当前的基因选择算法多是基于数学方法学习基因数据的结构信息。尽管这些方法在过去的研究中被证实是有效的,但是也不可避免的忽视了算法模型在生物学方面的解释。如何提高基因选择算法在生物学上的意义是基因选择算法重要研究问题之一。针对上述问题,本文工作如下:1)针对自适应特征选择算法在全局结构方面的忽视,本文提出一个在统一框架下进行基因选择和结构学习的方法。具体地,本文设计了兼顾基因表达数据全局与局部结构的回归函数,利用多维放缩（MDS）算法将基因表达数据从原始的高维空间投影到欧式距离相似的低维空间。然后利用稀疏性,在低维空间学习重构系数以期回归残差最小化,从而保持降维过程中原始数据空间的全局结构。最后利用基于样本基因的概率邻域图模型保持数据局部流形结构。通过与当前6个经典无监督特征选择算法进行比较,实验表明所提算法（MDS-AUFS）在5组真实的不同癌症数据集上表现均为优异。2)针对基因表达数据的高冗余特点,本文基于正交约束,对MDS-AUFS施加一种松弛的不相关约束用来进一步筛除冗余基因（UCMAUFS）。所提算法与MDS-AUFS在5组真实的基因数据中进行实验分析,结果表明前者比后者有显著的进步。3)针对当前的基因选择算法缺少在生物学方面的解释,本文基于基因表达数据和基因-生物路径网络关系提出一种基于双网络约束的基因选择算法（DNCGS）。首先,本文设计一种由基因-生物路径引导的基因相关性邻接矩阵,然后利用拉普拉斯算子构造网络约束项加入整体算法当中。第二个网络约束则由概率邻域矩阵来构造,自此完成双网络约束的设计。所提算法与URAFS等五个经典无监督算法在5组真实且不同类型的基因数据中进行实验分析验证。