癌症种类繁多、致病机理复杂而且难以治愈,近年已经严重危害到人类的生命和健康。尽早的确诊可以帮助挽救病人生命,由于传统癌症诊断方法自身的局限性,并没有很好的解决这一问题。基因芯片,又称作DNA微阵列,是上世纪以来生物信息学领域的一个重大技术突破,其高通量特点使得在单次实验中同时检测大量基因的表达值成为可能。此后,基因芯片就作为分子生物学研究中的一个重要的基本工具,被广泛用于癌症的诊断和类型识别中。利用基因表达谱数据得以对癌症分类问题从分子水平上进行分析和研究,目前基于基因表达谱的癌症分类研究主要集中在两个方面:一来,基因表达谱数据拥有高维小样本、高冗余、高噪音等特点,如何从这些数据中选择出于疾病相关的基因成为了研究重点;二来,当前基因表达谱数据分析的成熟度并没有达到应用水平,目前癌症诊断仍依赖于传统基于形态学的方法,所以寻找到高效的分类算法提高分类性能是研究的另一个关键任务。针对上述两个方面,本文参考了大量相关文献,了解了癌症分类问题一般过程和常用方法,并展开了如下工作:(1)概述了集成学习的概念并提出一种基于数据自身的集成分类的设想,在一个已有的集成分类方法上提出了一种叫单点定界的集成分类算法(SPEC)的改进方方法,该方法应用了一个新颖的策略,在基因选择的同时解析了集成分类的规则。并在急性白血病和结肠癌数据集上展开了测试实验,以很少的时间和空间资源得到了令人满意的分类效果,证明了方法的不仅实现简单而且十分有效;(2)分析了单点定界方法的不足和局限性,分别给出了改进和扩展的想法。在此基础上,提出了一种基于区间的集成分类方法(IBEC),该方法在主体思想上和单点定界方法保持一致,通过以分类区间代替定界点来构造及分类器和集成规则。同样在急性白血病和结肠癌数据集上测试了实验方法,同时与单点定界和其他常用方法比较得到了更好的分类精度,同时,还在多标签数据集混合谱系白血病上展开测试,同样得到了很高的准确度,有效的解决了多标签分类问题。