目的：在多分类的高维基因表达谱数据的处理与分析中，探讨特征基因的筛选方法，通过构建基于交叉验证的BP神经网络进行分类预测，为高维组学数据的方法学研究和BP神经网络的实际应用提供科学依据。　　 方法：本研究利用Khan等人收集的83个样本6567个基因的小圆蓝细胞瘤基因表达谱数据进行研究，根据高维组学数据的特点，采用统计学和计算机相结合的技术，参考Golub等人对二分类数据的特征基因筛选方法，通过计算每个基因的PS值，对本研究中的四分类问题进行特征基因的筛选；构建基于交叉验证的BP神经网络，利用遗传算法对网络进行优化，并提出了改良的交叉验证算法，对比改良前后的分类效果差异。　　 结果：通过计算每个基因的PS值，共获得144个特征基因，与Khan等人基于3750个线性神经网络所筛选的96个特征基因吻合上了20个。在构建BP神经网络的过程中，将83个样本分成两部分，其中63个样本用于网络的训练过程，另外20个不参与训练而作为独立样本集用于后期的外部验证，因Khan等人所建立的96个特征基因的线性神经网络对83个样本的的亚型分类完全正确，因此，本研究也利用他们所选择的96个特征基因，通过10次和20次的3倍交叉验证过程，得到网络的内部验证和外部验证的正确率至少都超过了85％，说明所构建的网络具有较好的应用价值；然后，针对利用PS法所选择的144个特征基因，分别进行10次改良和270次未改良的3倍交叉验证过程，各自产生810个分类器，改良前内部验证的整体正确率和外部验证的正确率分别为97.19％和85.78％，改良后的分别为95.22％和76.86％。　　 结论：本研究所提出的多分类数据特征基因筛选的PS算法，计算简便且效果良好，利于操作和实现，为基因表达谱数据的降维提供了新的思路；BP神经网络与线性神经网络相比有其优势，但在特征基因筛选结果很理想的情况下，其优势并不明显，且线性神经网络构建得好其预测效果也会足够良好；遗传算法可以用来优化BP神经网络，算法中参数的设置可直接影响到优化效果，对于高维数据来说该方法的优化过程更为复杂；改良的交叉验证算法可保证有更为充足的分类信息，但如何能够实现真正意义上的“改良”，还有待于进一步完善方法。