传统的基因选择方法往往没有考虑基因表达谱数据中蕴含的先验信息导致选出的基因还存在一定程度上的冗余，进一步影响机器学习算法的分类精度。为了选出最小冗余度的信息基因子集，本文利用聚类方法对备选基因进行初选，然后利用粒子群优化算法(PSO)结合极端学习机(ELM)对初选基因进行筛选，该类方法能有效降低选出基因子集的冗余度并提高基因表达谱数据的分类准确率。本文主要工作如下:　　 1)提出了一种基于K均值聚类(KMeans)、PSO和ELM的基因选择方法(KMeans-PSO-ELM)。根据聚类算法能够将具有相似功能特点的一组基因聚在一起，先对基因表达谱数据进行聚类，再利用粒子群优化算法分析聚类簇中的基因子集的分类能力，剔除分类性能较低的簇，对簇进行裁剪，实现第一步的去冗余。最后再将剩余各个簇作为备选基因库并用粒子群优化算法做进一步基因选择，在三个基因表达谱数据集上实验结果表明，该方法能够有效选出较少的信息基因并能提高表达谱数据的分类准确率。　　 2)针对裁剪后，聚类簇中仍存在较多冗余基因这一问题，提出了低冗余的KMeans-PSO-ELM方法。该方法采用最大相关最小冗余算法对高贡献的簇进行进一步去冗余，选择各聚类簇中关键基因，组成一个备选基因库，最后采用粒子群优化算法实现最佳基因子集的选择。该方法充分考虑了基因与簇、基因与类别相关程度和基因间的冗余程度在基因选择中的不同作用,挖掘基因表达谱数据中有效基因信息。实验结果表明，相比其它经典方法和KMeans-PSO-ELM方法，该方法能够选出更低冗余的信息基因子集，并进一步提高基因表达谱数据的分类准确率。