随着现代生物学的发展,尤其是人类基因组计划完成以后,从分子层面上研究疾病问题也得到广泛的认同；在高通量实验技术快速发展的驱动下,获得人类及其他模式生物的基因表达谱数据成为可能,如此大量的数据信息为我们重新认识细胞生物和疾病提供了宝贵的机会。但是,基因表达谱数据的突出特点：预测样本的维数远远大于样本个数,决定大多数传统统计方法不能直接应用,或者得不到正确的预测结果。因此,我们面临的挑战就是设计新的统计模型来高效的分析、解释基因表达谱数据。统计学习理论是由Vapnik等人提出的一种小样本统计理论,着重研究在小样本情况下的统计规律和学习方法性质；统计学习理论为机器学习问题建立了一个较好的理论框架。支持向量机就是在此基础上发展起来的一种学习算法,它采用结构风险最小化原理,能够较好地解决小样本学习问题。在应用支持向量机解决具体问题时,首先考虑核函数的选取及参数的选择。虽然目前关于核函数的研究在理论和应用上取得了一定的成果,但尚未形成指导核函数选取的理论。本文采用RBF核,研究基于RBF核的SVM最优参数选择方法,文中以网格搜索为基础,改进了网格的扩展策略,并提出应用随机搜索算法进一步寻找最优参数。最后,实验数据测试表明：相对于网格搜索得到的参数,使用本文方法选出的参数,具有更好的预测能力,在时间复杂度和空间复杂度上也较有优势。