生物信息学是近年来一门新型的热点研究学科。生物信息学中的基因表达数据具有高维度、高冗余和类别不平衡等特点,对于机器学习算法来说,这类数据集是一项困难的挑战。在机器学习算法模型训练之前,对这类数据的降维处理是必不可少的过程。使用特征选择方法进行降维处理是一种有效的方法。对基因表达数据的特征选择及分类等问题的相关研究,能够为疾病的诊断和治疗提供可靠有效的研究方法。近些年许多学者对基因表达数据的特征选择问题进行了研究,并取得了很多有价值的成果,但是仍没有达到理想的分析效果,许多研究者依然致力于研究更好的基因表达数据特征选择算法。以往的研究均基于传统的静态特征选择算法,此类算法模型较为复杂,时间复杂度较高,已有学者将流特征选择技术应用在基因表达数据的特征选择问题上并取得较好的效果。针对基因表达数据的特点,本文对基因表达数据的特征选择问题进行了深入研究。本文结合在线学习的相关算法,建立强鲁棒性、易理解的特征选择模型,提出能够降低特征空间压缩率和提高分类识别率的流特征选择算法。本文将提出的基于L2,1范数的流特征选择算法在12个高维基因表达数据上进行了特征选择实验,并与其他四个典型的流特征选择算法进行了对比实验。实验结果表明,本文提出的算法在最优特征子集的分类识别率,特征空间压缩率和流场景下的算法稳定性方面具有一定优势。为处理基因表达数据的类别不平衡问题,本文通过结合改进的流特征SMOTE过采样算法,提出了不平衡数据的流特征选择算法,并在3个类别不平衡数据上进行了实验。实验结果表明,改进后的算法选择的子集在不损失整体分类识别能力的条件下提高了对少数类别样本的识别能力,能够更好的处理类别不平衡数据的流特征选择问题。