互信息是属性间相关度的度量，适用于特征选择问题，同时它与具体分类器相独立，能与多种分类器结合产生很好的分类效果。然而，互信息只适用于离散型数据，不能直接处理基因表达谱数据。针对基因表达谱高维度、低样本、不完备和连续型的特点，结合基因初选方法，将邻域互信息作为相关度度量，提出一些特征选择算法应用于肿瘤基因选择，并以理论及实验分析说明了这些算法的有效性。本文主要内容如下：针对基于信息熵的基因选择分类精度较低与计算过于复杂的问题，提出基于邻域条件互信息的肿瘤分类基因选择算法。首先，将邻域概念引入信息熵理论，定义了邻域条件互信息，计算连续型属性对于肿瘤分类的重要性。其次，针对样本邻域的计算过于复杂的问题，通过近似度量公式进行简化处理，降低了算法的时间复杂度。然后，结合顺序前向搜索策略构建了一种快速肿瘤分类基因选择算法。针对基因表达谱高维度、低样本的特点，提出基于邻域互信息的肿瘤基因聚类算法，将属性聚类成簇，从而发现了有意义的模式。首先分析了以往聚类方法在处理连续型属性时的不足，从而引入邻域互信息计算连续型属性的相关度。其次，提出一个属性聚类算法将属性聚类成簇。然后，将此方法应用于基因表达数据，发现了有意义的簇，从而得到了包含基因分类和识别能力的基因。针对现有两种特征选择方法的各自优点及存在的不足，将特征选择的过程分为两个阶段：第一阶段采用过滤法，提出用邻域互信息计算每个属性与分类的相关度；第二阶段采用缠绕法，提出用粒子群优化算法检测已经标识的相关属性子集，选择出最优或者次优属性子集。最后，通过支持向量机与留一法交叉验证所选特征子集的有效性。