致病基因是很多疾病发生的根本原因。寻找致病基因，或称鉴定致病基因是生物医学研究的一个基本问题，对于基因诊断、基因治疗和基因药物设计有着重要的现实意义。在寻找致病基因的过程中需要对大量的候选基因按致病的可能性高低进行优先级排序，这个排序过程叫做候选基因排序。对候选基因排序是寻找致病基因的重要步骤。　　 随着基因组学的发展，现在有许多种数据源可以用来对候选基因进行排序。这些生物数据不仅类型各异，而且多为带噪声的高维数据，另外，对于候选基因排序这个问题，相对于候选基因，往往只有少量的已知致病基因作为训练样本。为此，单类支持向量机的方法被用于解决候选基因排序这个问题。　　 支持向量机是基于统计学习理论新发展起来的一种机器学习方法，有着坚实的数学理论基础。它在解决小样本、非线性和高维模式识别问题中有优势，在文本分类、手写识别、图像分类、生物信息学等领域中获得了较好的应用。由于有着优良的性能，且能够方便处理各种类型的生物数据，因而支持向量机被广泛的用来解决生物信息学中的许多问题。单类支持向量机是基本的支持向量机算法在单类问题中的推广，已被成功应用于异常检测，目标识别等问题，基于单类支持向量机的候选基因排序是其在生物信息学中的又一新的应用。　　 在利用单类支持向量机对候选基因排序时会用到各种生物实验数据，这些实验数据往往带有误差和噪声。本文针对这一问题，在单类支持向量机的公式的中引入不确定输入量，经过公式推导进行扩展，得到带有不确定输入的单类支持向量机。这种扩展的单类支持向量机能够利用不确定输入数据对带有噪声的数据进行降噪，从而更好的利用带有噪声的数据对候选基因进行排序。为了融合多种数据源对候选基因排序，本文进一步提出一种基于单类支持向量机的数据融合方法，并取得了良好的实验效果。