随着DNA测序技术的不断发展,日益增加的DNA序列数据在不同领域的应用得以进入一个快速发展的阶段。癌症是导致人类预期寿命缩短的主要原因,早期诊断对于降低癌症死亡率非常重要。近年来,研究者们对于癌症分类的相关研究投入了大量的精力,但目前主要的分类方法往往只能适用于固定的几种癌症,并且检测周期长、分类精度低。因此,如果能发现一种高性能且具有普适性的癌症分类方法,就可以大幅度简化癌症筛查的过程,降低检测成本和误诊风险,并且能够为医生提供诊断辅助,为癌症的早期诊断和治疗提供有力的支撑。癌症患者的病征不仅出现在内部器官或体表上,早期研究表明患者的DNA序列中往往会出现一定量的单核苷酸变异（SNV）,在不同癌症类型患者的DNA序列中,SNV呈现出不同的分布模式。SNV的易区分性和与癌症的高度相关性使其在癌症分类分类方向上大有可为。本文提出了一种基于SNV多维度特征的癌症分类算法CCMDS（Cancer Classification Based on Multi-Dimensional SNV Features）,并通过改进现有的SNV特征采集方法,提升了癌症分类的准确度。首先,CCMDS算法从公开数据库收集SNV数据,并对其进行筛选和预处理,以SNV及其相邻核苷酸的形式进行存储。其次,在不同的特征维度下采集突变位点的特征,并以特征矩阵的形式进行存储。然后,将样本数据划分为训练集和测试集,使用监督学习算法为测试样本打上标签,实现癌症分类。最后,通过对照已知的样本标签,对分类结果进行了性能分析与验证。本文提出的CCMDS算法很好的提升了数据利用率,通过从多个特征维度采集SNV特征提高了分类准确度,在真实数据集中测试时,实验结果在分类性能及分类范围上都有很好的表现。本文的创新点之一是提出将SNV分布模式直接应用于癌症分类问题,另一个创新点是提出了一种多维度SNV特征采集方法。多维度特征不仅可以应用于癌症分类,也可以广泛的应用在其他算法中。本文通过将原有的SNV特征采集方法作为对照组,基于KNN、SVM、随机森林等八种不同的算法进行了对照实验,结果表明使用多维度特征后,八种算法的性能都表现出不同程度的进步。另一方面,本文将多维度特征与两种不同的特征采集方法在同样的数据集下进行了比较,多维度特征表现出了明显的优势。在实验部分,本文分析了算法的参数对分类结果的影响,并使用不同的方式对结果进行了验证,证明了算法的有效性和可靠性。本文提出的CCMDS算法不仅具有较高的准确度,并且能够同时对多种癌症进行分类,有效的减少了癌症分类的成本与周期,对癌症的早期检测具有较大的研究意义。