基因是具有遗传效应的DNA片段,基因支持着生命的基本构造和性能。研究发现,很多疾病的产生是由于基因的突变造成的。因此,基于基因表达数据的疾病诊断研究成为生物医学上的一个重要课题。基因表达数据具有高纬度、小样本的特点,在数据预处理过程中需要进行特征选择。特征选择不仅能够有效的降低数据维度,减少后续的工作量,更能够帮助我们识别重要的特征,减少噪声对数据集的影响。因此,本文针对基因表达数据,在特征选择及特征子集冗余方面做了进一步的研究工作,主要工作内容如下:(1)单一的特征选择方法往往具有自身的局限性,对于同一种疾病分类模型,这种局限性会导致不同的分类效果。为突破这种限制,本文采用集成学习的方法,使用多种单一的特征选择方法对同一数据集进行学习,并将多种结果聚合在一起。在多个二分类及多分类公共肿瘤基因表达数据集上进行数据分析,结果表明,集成特征选择方法选择的特征子集具有更好的分类预测性能。(2)针对特征子集冗余问题,提出一种启发式特征子集冗余去除算法。启发式特征子集冗余去除的主要思想,是保留最重要的一部分特征基因,并去除特征子集中与其具有较强相关关系的特征基因。此方法不改变特征的原有属性,可以看做是特征的二次选择。实验结果表明,相对于原始特征子集,冗余去除后的特征集合往往能够达到更高的分类准确度,但分类效果受到冗余去除阈值的影响。(3)在特征子集冗余去除问题上,本文提出了另一种基于主成分分析的特征子集冗余去除算法。此方法使用主成分分析方法消除特征之间的相关性,在原始特征子集上构建新的特征集合。这是一种特征提取方法,改变了原始的特征空间。实验结果表明,对于大多数数据集,新构建的特征集合能够获得比原始特征子集更高的分类准确度。相对于传统的特征选择方法,本文提出的集成特征选择方法及特征子集冗余去除方法,均表现出更好的分类性能。但是,特征选择及冗余去除都是一个降维过程,这一过程会造成原始信息的损失,对于特定数据集,如何确定特征子集的数量,尽量减少信息的损失,是本文需要进一步研究的问题。