DNA微阵列的提出对生物学和医学产生了革命性的影响。通过运用微阵列技术，生物学家可以大规模提取DNA和RNA信息，进而得到包含成千上万基因的表达数据——基因表达数据，这些数据中蕴含了能够揭开生命奥秘的大量信息。如何从海量数据中提取有效的信息已经成为DNA微阵列研究的重点内容。由于基因表达数据具有高维、小样本和非线性等特点，因此降低数据维数并且选择一种适用于非线性小样本数据集的机器学习方法成为提高基因表达数据挖掘成功率的关键。　　 为了克服基因表达数据维数高、样本少、非线性的特点，本文将降维方法应用到基因表达数据上，并选择支持向量机(Support Vector Machine，SVM)对降维后的数据进行分类，有效地提高了分类的准确率。支持向量机基于统计学习理论，采用了结构风险最小化原则，能够在一定程度上克服小样本学习问题的困难，其核函数思想将非线性空间的问题转换到线性空间，极大地降低了算法的复杂度。　　 本文的研究将侧重于不同降维方法对于提高数据分类准确率的效果。选择GCM和Lymphoma两个著名的数据集，分别使用PCA、MDS等不同方法降维后再采用支持向量机分类，对比实验结果后表明，降维不仅有助于提高分类准确率，而且相较传统的分析方法具备一定优势。