随着生物信息学近年来的突破性进展,基因芯片技术也得到了快速的发展,人们可以更加快捷地获得可靠的基因表达数据,这些数据中蕴含了能够揭开生命奥秘的大量信息。但由于基因表达数据具有维数高、样本少、非线性等特点,导致了“维数灾难”,对传统的分析方法提出了挑战。支持向量机(Support Vector Machine,SVM)是一种基于统计学习理论的新型机器学习方法。它采用了结构风险最小化原则,能够在一定程度上克服小样本学习问题的困难,还采用了核函数思想,将非线性空间的问题转换到线性空间,大大降低了算法的复杂度。由于支持向量机在这类问题上表现出了良好的推广性,所以成为了当前研究的热点。针对基因表达数据维数、高样本少的特点,本文提出了将数据降维方法应用到基因表达数据上,分别使用线性以及非线性降维方法对原始数据进行处理,再将降维后的数据经由支持向量机进行分类,有效的提高了分类的准确性。最后,本文针对两个常用的数据集进行实验对比,结果表明,本文提出的方法相对于传统的分类方法,分类准确率有所提高。