基因芯片技术是基因组信息学研究的基础,在基因水平上研究癌症提供了支持。基因芯片是一种有广泛应用前景的分子生物学技术。在基因芯片的应用过程中会产生大量数据,通过处理、分析、提取等步骤,可以得到基因芯片中有价值的生物学信息。特征是保持基因芯片数据真实性的量度,并且只含尽可能少的冗余信息。基因芯片数据的高维性和小样本问题也需要进行降维和特征提取。基因芯片数据的模式分类问题,通过特征提取可以提高正确分类率。本文分别提取小波分解的低频系数和高频系数表征基因芯片数据的特征,用k-fold交叉验证的方法划分基因芯片数据训练样本集和测试样本集,评估不同小波函数多尺度分解以后的分类效果。特征提取和分类是模式识别中的关键问题,本文着重研究基因芯片数据的特征提取和分类问题。本文结合小波分析理论和支持向量机理论,构造分类器模型,将前列腺癌基因芯片数据分成癌症和正常两种。本文提取小波低频系数表征原始数据并送入支持向量机分类器分类,实验证明:提取db2小波3层分解下的低频系数,5-折交叉验证,分类器分类后正确分类率是92.46%。Haar小波的正确率是92.88%。可见提取不同小波低频系数,分类效果相差不大。本文提取小波高频系数表征原始数据的特征,并通过实验对比小波高频系数和低频系数特征提取对分类器性能的影响。其中db4小波4层分解提取高频系数,送入分类器分类后,5折交叉验证,得到的正确分类率为92.39%。haar小波4层分解提取低频系数,送入分类器分类后,5折交叉验证,得到的正确分类率为92.94%。小波低频系数特征提取分类效果总体上好于高频系数,分类器性能稳定。