随着人类基因组计划的顺利完成,不断积累的巨量生物学数据和快速发展的信息学技术,给后基因组时代的生物信息学研究带来了新的挑战。近年来,随着微阵列技术的快速发展,DNA微阵列技术已经在功能基因组学研究中获得了广泛的应用,人们可以在一次实验中同时测量成千上万个基因的表达水平(通过微阵列技术获得的基因表达数据称为微阵列基因表达数据)。这种高通量的技术为基因表达数据的收集提供了方便,同时也给基因表达数据的挖掘提出了严峻的挑战。高通量微阵列技术与手工表型标定方式间的矛盾导致了基因表达数据的获取与表型确定间的不平衡。然而,已有的表型区分方法大多是有监督的,并且通常忽略了基因间广泛存在的相互作用,根据单个基因的独立区分能力划分样本表型,选择相关基因。本文从新的视角,基于投影聚类的思想,提出两个考虑基因间相互关系的无监督表型区分算法USPD1和USPD2。通过将基因表达数据转化为具有负间隔约束的序列数据,强化了基因间的相互关系,利用设计的质量函数,采用深度优先方式遍历样本穷举树,无监督地生成样本表型划分。同时采用高效的削减策略,大大提高了算法的效率。通过将提出算法与现有的以基因表达数据分析为目的的代表性投影聚类算法HARP相比较,证明提出算法的高效性。同时,在五个真实微阵列数据上对提出算法进行验证,证明算法的有效性。本文对基因表达数据的样本表型区分问题进行了深入研究。算法采用数据挖掘的投影聚类方法对样本表型进行无监督划分,同时根据样本表型所对应的p-signature得到确定该样本表型的诊断基因,为疾病诊断和考察疾病的形成原因提供了一个崭新的视角。