DNA微阵列数据广泛应用于生物医学，特别是癌症方面的研究。它是典型的高维小样本数据，具有高维，高冗余，高噪声的特点，许多经典的处理算法无法直接应用。线性判别分析(LDA)是模式识别的经典方法之一，在模式识别、数据分析等诸多领域取得了良好的应用效果。本文在分析和总结现有的LDA算法的基础上，将LDA应用于微阵列数据，取得了较好的结果。本文主要做了以下两方面工作：第一，分析总结了LDA算法在微阵列数据中的应用，提出了一种基于filter法则和ICA变换的LDA算法—FILDA算法。与传统的LDA算法处理微阵列数据相比，该算法消耗时间较少，且有效避免了矩阵变换奇异问题的产生，同时去除了特征中的冗余和噪音，提高了分类正确率。通过在Brain，Colondata，Prostate等微阵列数据集上的实验，以及同其他方法的对比实验，表明了本文算法的有效性。第二，由于独立分量分析具有计算不稳定性，本文借鉴了集成学习的思想设计了一种基于FILDA算法的集成系统，并进行了实验研究。实验结果表明，该系统在提高数据分类正确率的同时，具有较好的稳定性。DNA微阵列技术已经在医学以及生物学上得到越来越广泛的应用，其分类识别问题也是热点问题，本文即是对此的一个有益尝试。