随着近代分子生物学实验技术和计算机技术的迅猛发展，以及人类基因组(HGP)的顺利完成，标志着现代生命科学研究已经进入了后基因组时代，研究者把关心的焦点由结构基因组学转向了功能基因组学。基因芯片(gene chip，microarray)作为一种新型的高通量的检测技术方法，可以同时测量成千上万个基因的表达水平，已成为“后基因组时代”研究基因与基因间相互作用的一个强有力的工具。 如何对该技术产生的海量实验数据进行准确而合理地管理和分析已成为是否能有效应用该项技术的主要问题，并决定着当前生物信息学的重要研究内容和主要研究方向。然而，就目前来说基因芯片技术所遇到的挑战并不在基因表达芯片本身，而是在于发展实验设计方法以对基因表达数据进行时空的全面探索与分析，最大的挑战则是数据分析与挖掘。本课题主要就基因表达型芯片的数据分析，特别是聚类分析技术在微阵列基因表达数据分析和处理这一环节展开并进行研究。 本课题的主要研究内容为： 1．采用聚类有效性的思想来确定FCM(Fuzzy C-Means，简称FCM)算法中的参数c。通过分析目前存在的一些聚类有效性函数的不足，采用Xie-Beni指标作为聚类有效性函数，解决了参数c如何确定的问题，给出了一个根据聚类有效性函数来自动给出参数c的算法，在模拟数据和真实数据上的应用均取得了较好结果。 2．对FCM算法中加权指数m的取值进行了探索性的研究。构造了一个评价函数来对m的不同取值所对应的结果进行评价并以此来选取最优的m值，通过实验验证了其可行性。 3．将遗传算法与K-均值聚类算法相结合对微阵列基因表达数据进行聚类分析。主要从四个方面对该混合算法进行改进。首先，我们使用了把聚类中心作为染色体的浮点数编码方式，这样既能使基因表达数据集的编码过程得到简化，又能减少整个算法的运算量；第二方面，为了保证每一代的进化过程中当前最优个体不会被遗传操作所破坏，我们在进行选择时采用了最优保存策略与比例法相结合的混合选择算子；第三方面，在交叉操作中，为了减少无意义个体的产生，先对配对个体进行了基于最短距离的基因匹配，然后再运用算术交叉来增强遗传算法的局部搜索能力；最后，为了提高收敛速度，我们在每一代遗传操作结束之前对要进入下一代的群体进行了优化，使得搜索最优解的速度明显加快。最后将该混合算法运用于公开的白血病基因表达数据和结肠基因表达数据，取得了较好的实验结果。4．设计并实现了GeneCluster芯片数据聚类分析系统。主要实现了K-means算法、FCM算法、GKA算法。该系统具有良好的用户界面、功能完善、操作简单、易维护、成本低等优点，是将聚类算法应用于生物信息学方面的有益探索。