随着基因组项目的不断完成，产生了大量有待于分析和解释的生物信息，从而，人们可以从分子水平上了解基因的表达模式和微观层面上研究生命现象。基因芯片技术是生物信息研究的主要领域之一。通过此技术，可以同时检测成千上万个基因在生物体内的活性，但同时还会产生大量的微阵列数据。基因微阵列数据具有样本小、维数高、噪声大、冗余基因大量存在、分布不平衡等特点。如何从这些数据中挖掘有用的生物信息并使这些信息对疾病的检测和分型提供有效的指导，成为模式识别与数据挖掘领域研究的主要内容之一。本文主要围绕基因微阵列数据的基因选择和聚类方法开展研究，主要工作如下：1.基于神经元激活函数提出了一种改进的遗传算法。其主要思想是利用神经元激活函数改造变异和交叉算子，同时考虑到类内距离和类间距离的关系来改进基本的遗传算法。2.在充分考虑基因微阵列数据特点和遗传算法的优缺点的基础上，本文利用改进后的遗传算法进行K均值聚类。以白血病数据集为研究对象，利用改进的遗传K均值聚类进行实验仿真。实验结果表明，此方法应用在基因微阵列数据特征选择的问题中，获得了较好的分类效果；比常用的聚类算法分类准确率更高，同时也降低了基因维数。3.在考虑到基因微阵列数据样本小、维数高的基础上，本文提出了一种粒子群算法和样本聚类的错误率相结合的基因选择方法。之后，利用癌症数据进行实验仿真，通过实验，发现此方法可以获得较小的且分类能力较强的特征子集。