摘 要基因表达数据的分析和研究是生物信息学中重要的研究课题。运用信息科学的方法和技术，基于肿瘤基因表达数据，建立肿瘤的分类预测模型，对肿瘤的发现和识别具有重要意义。本文以多发性骨髓瘤、小圆蓝细胞瘤和结肠癌为研究对象，以基因表达数据为基础，运用人工神经网络建立肿瘤的分类预测模型，取得的主要研究成果如下：第一，本文针对多发性骨髓瘤，应用 BP 网络建立了多发性骨髓瘤 BP 预测模型。该模型使用相关分析法提取了 44 个特征基因，并以此为基础设计了基于三层 BP 网络的预测器。研究结果显示，多发性骨髓瘤 BP 预测模型正确预测了所有测试样本，预测正确率为 100%。本文首次将自组织特征映射网络应用于多发性骨髓瘤的研究，提出了一种具有自组织特征的多发性骨髓瘤自组织预测模型。该模型以自组织特征映射网络为核心，设计了自组织单元，使模型表现出优秀的自组织特征。实验结果表明，多发性骨髓瘤自组织预测模型的预测正确率达到了 100%。第二，关于小圆蓝细胞瘤，本文针对小圆蓝细胞瘤存在的四个亚型，引入了将多类分类问题分解为多个两类分类问题的思想，建立了基于多 BP 网络的小圆蓝细胞瘤多模预测模型。该模型由四个 BP 网络构成，每个 BP 网络分别负责一个亚型的分类。研究结果表明，该模型能正确预测所有测试样本，预测的准确率达到了 100%。第三，针对结肠癌的研究，本文首次应用学习矢量量化算法，建立结肠癌学习矢量量化预测模型。该预测模型提取 50 个特征基因，设计了基于学习矢量量化算法的预测器。结肠癌学习矢量量化预测模型正确划分了 62 个样本中的 57个样本，分类正确率为 91.9%。与 S. Furey 取得的 90.3%的分类正确率，Ben-Dor取得的 88.7%的分类正确率以及 Alon 取得的 87.1%的分类正确率相比，本文创建的结肠癌学习矢量量化预测模型的分类性能最佳。本文研究成果部分发表在《中国生物医学工程学报》（EI 刊源）、《北京工业大学学报》和《第二十二届中国控制会议论文集》中。本课题得到了国家自然科学基金的支持。