微阵列技术的快速发展使得同时测量成千上万个基因的表达情况成为可能，并被广泛地用于研究不同癌症和肿瘤的基因表达模式，为从分子水平研究疾病机理以及疾病诊断和预后提供了一种强有力的手段。由于微阵列技术的特点和现有技术水平的局限性，获得的微阵列数据体现出“高维度，小样本，高噪声”的特点，这些数据往往包含大量的无关基因和冗余基因，对微阵列基因表达数据分析提出了严峻的挑战。如何从中选出具有判别能力的信息基因，研究基因与癌症之间的关系，对于深入发现和理解疾病机理以及提高疾病的临床诊断准确率具有重要作用。在微阵列技术中，经常将基因作为特征来表示。本文以微阵列数据为应用靶点，重点在基因选择方法上开展深入的研究工作，取得的主要研究成果包括以下几个方面:　　(1)基于封装的特征选择方法使用分类器作为评价候选特征质量的效用函数，因此具有较大的时间花费。在使用K近邻分类器时，指出大量重复地计算样本间的距离是造成较高时间复杂度的一个重要原因，然后提出构建逻辑存储结构分类距离矩阵用于显式地存储、计算和更新样本间的特征距离，以改善特征选择的时间性能。实验结果表明，所提出的方法不仅能够获得高质量的特征子集，而且能够极大地降低特征选择的时间成本。最后，通过时间和空间复杂度分析说明所提出算法的高效性和可行性。　　(2)针对基于封装的特征选择方法在特征选择过程中需要执行大量的封装评价以及花费较大时间代价的问题，指出造成该问题的一个重要原因是封装方法在执行过程不能显式地识别冗余特征并将其从候选特征集合中删除。在此基础上，提出将马尔科夫毯技术嵌入到基于封装的特征选择过程中用于冗余特征的识别和删除，以减少需要执行的封装评价次数。最后，通过理论分析和实验验证所提出算法的有效性和效率。实验结果表明，所提出的方法能够保证获得的高质量的特征子集，同时能够显著地减少需要执行的封装评价次数，提高时间性能。　　(3)针对基于偏最小二乘法的递归特征消去方法在高维数据上进行特征选择具有较高时间复杂度的问题，指出在每次迭代过程中只从候选特征集中删除一个最不重要的特征是造成该问题的主要原因。为改善该问题，受冶金退火中温度衰减过程的启发，提出两种基于动态特征消去策略的特征选择算法PLS-RFE-SA和PLS-RFE-SQRT。这两个算法的核心思想是在起始阶段从候选特征集中删除大量的不重要特征，并且随着迭代的进行，每次删除的特征个数逐渐减少，直至完成对所有的特征的排序。实验结果表明，PLS-RFE-SA和PLS-RFE-SQRT不仅能够获得高质量的特征子集，而且能够显著地改善算法的时间性能;关于特征子集一致性的实验结果表明，与PLS-RFE-SQRT相比，PLS-RFE-SA能够获得具有更好一致性的特征子集。最后，通过理论分析论述所提出的两个算法在时间性能上的优越性。　　(4)针对高维小样本数据容易导致“过拟合”的问题，提出一种混合的特征选择算法mRMR-HS，该算法能够综合利用基于过滤方法的低时间复杂度和基于封装方法的高分类准确率的优点。所提出的算法包括两个阶段:第一个阶段是无关特征的删除，使用最小冗余最大相关算法mRMR从原始特征空间中选出一部分与目标类别具有较大相关性的特征;第二个阶段是候选特征子集寻优，利用具有全局启发式搜索功能的和声搜索算法HS产生候选特征子集，通过封装的方式评价这些候选特征的质量，并返回能够获得最优适应值的特征子集。实验结果表明，与mRMR相比，mRMR-HS能够获得更好的分类准确率;与HS相比，mRMR-HS具有较快的收敛速率，能够获得更紧凑的特征子集。