随着基因微阵列技术的发展,人们对于基因表达谱数据的研究逐渐成为了生物信息学的研究热点。这些研究为我们认识和理解生命现象提供了全新的思路与方式。而近年来,机器学习凭借其在模式识别与数据挖掘领域的出色表现,受到了生物信息学研究者的广泛关注。目前,基因表达谱数据分析已被广泛应用于疾病的预测、诊断和靶向治疗。本文利用机器学习算法,针对基因表达谱数据分析中常见的:缺失值填补,基因活动状态聚类,肿瘤样本分类等问题提出了较为有效的解决方案,并通过在不同数据集上的多次实验证明了方案的优异性能。具体地,本文主要的研究内容如下:(1)在实际的基因微阵列实验中,各种主观和客观因素通常会导致实验产生的基因表达谱数据中存在或多或少的缺失值。本文提出了一种基于集成学习思想的方法,集成了几种传统的缺失值填补算法(如:K-近邻填补,最小二乘法填补等),对数据集中的缺失值进行填补,得到了较准确的填补结果。(2)为了根据基因表达谱数据分析基因的功能以及基因在不同条件下的表达情况,研究者通常将基因表达谱数据进行聚类分析。本文提出了一种基于概率模型的基因活动状态聚类方法,该模型结合K-均值聚类与高斯混合模型对数据的分布进行描述,并取得了较好的聚类效果。(3)基于基因表达数据的疾病分类与预测一直是生物信息学的研究热点,而当数据集存在缺失值或数据不规范时,这一问题就变得十分困难。本文结合提出的缺失值填补算法和基因活动状态聚类模型,利用K近邻,支持向量机对肿瘤样本进行分类,并取得了较高的分类准确率。实验结果表明,本文提出的基因表达谱数据缺失值填补算法和基因活动状态聚类模型都具有良好的性能和可行性,并且通过肿瘤分类实验证明,我们的方法对实际的应用起到了积极的作用。