基因芯片技术能够快速的测量成千上万条基因的表达。随着微阵列技术广泛应用到肿瘤研究中,产生了大量高维小样本的基因表达谱数据。利用基因表达谱数据进行生物信息挖掘是生物信息领域的研究重点。如何从海量的基因表达谱数据中挑选冗余度小,分类能力好的特征基因,挖掘出有用的信息、更加清楚的认识肿瘤在基因层面的意义,对肿瘤的致病机理分析、临床诊断与治疗起到至关重要的作用。因此,寻找合适的数据处理方法来对基因表达谱进行数据挖掘成为一个亟待解决的难题。本文的研究工作主要包括两个方面:在特征选择方面,针对基因表达谱数据的高维、高噪声、高冗余的特点,从特征本身出发,提出了一种基于稀疏表示和最大相关最小冗余的基因选择方法。该算法分为两个层面:首先,利用稀疏表示系数来计算基因对于类别的重要程度,提取排名靠前的基因,删除不相关基因,降低数据维度;然后,稀疏表示系数用来计算在其余特征的影响之下,基因与基因之间的相关性。最后,使用改进的最大相关最小冗余的搜索策略对特征基因进行挑选,剔除冗余基因,获得最终的特征基因子集。这种方法不同于以往的将特征基因孤立看待的特征选择方法,充分考虑了在其他基因的影响之下,复杂的生物关系之中各特征之间的相互关系,能够有效的挑选特征基因,提高分类精度。在分类器方面,提出了一种基于加权元样本的核稀疏表示分类方法。在近几年,稀疏表示被证明具有良好的分类能力。针对稀疏表示分类方法不能很好的处理同方向分布的数据以及元样本提取过程中人为参数的设置影响实验结果这两个问题,本文提出一种基于加权元样本的核稀疏表示方法。首先,使用SVD分解每一个类的原始样本矩阵,通过矩阵变换的方式构造加权元样本矩阵,获得稀疏表示分类的字典。其次,用核稀疏表示的方法将其映射到多维空间,使得新的样本特征能够线性可分;最后,通过计算得到稀疏表示系数,使用残差比较来对样本进行分类。通过实验对比,与三种不同的分类方法相比较,证明了该方法的有效性。