基因表达水平可以通过DNA微阵列技术进行测量,由此产生了基因表达数据。通过分析研究基因表达数据可以挖掘有效信息,有助于病理分析与疾病诊断,利用基因表达数据进行癌症分类诊断是一种重要的癌症检测方法。但由于基因表达数据具有维数高、样本少的特点,使得传统的模式识别方法容易陷入“维数灾难”。Boosting是一种集成学习算法,它可以将任意分类算法作为基分类算法进行集成,进而提高基分类算法的分类正确率。堆栈自动编码器是一种深度学习方法,它通过大量训练样本可以学习到数据中的高层次特征,使其在诸多模式识别问题上具有良好的分类性能。由于基因表达数据样本数较少,使用深度学习方法对基因表达数据分类易出现分类精度不高的问题。Boosting是一种迭代算法,每轮学习使用的训练样本都不同,可以一定程度上弥补样本数不足的问题。因此本文提出一种基于堆栈自动编码器与Boosting相结合的方法对基因表达数据分类,本算法首先采用主成分分析对基因表达数据降维,然后将堆栈自动编码器作为Boosting的基分类算法进行学习训练,最后组合多个堆栈自动编码器进行决策。通过在9组真实基因表达数据上实验发现本算法将堆栈自动编码器的分类正确率提升了5%~10%,并且相比于支持向量机、随机森林等算法具有更高的分类正确率,说明本算法可以显著提高堆栈自动编码器的分类精度,具有良好的分类性能。对于同一训练样本,不同算法的适应度以及学习性能不同,如何使用多个算法模型生成基分类器得到较优的基分类器组合是Boosting进行集成时的关键问题。由于多样性和正确率是影响Boosting算法的主要因素,于是可以以多样性以及正确率作为基分类器的选取标准,动态生成基分类器。因此本文提出一种基于多模型的动态生成基分类器Boosting方法,在Boosting的每一轮训练时,通过不同的学习算法生成多个分类器模型,然后计算多样性以及正确率,选取其中多样性大且正确率较高的分类器作为该轮的基分类器,使得最终组合的分类器多样性大,可以提高集成系统的分类正确率。支持向量机以及决策树简单且高效,因此该方法使用的不同学习算法为支持向量机以及决策树,通过在9组真实基因表达数据上实验表明,该方法可以提高支持向量机以及决策树的分类正确率,且分类正确率整体上优于支持向量机同质集成以及决策树同质集成。