基因表达谱测序技术的快速发展以及测序成本的不断降低,使基因数据研究人员可以得到越来越多的基因相关数据。如何分析这些海量数据,并从中挖掘出更多知识,对相关研究人员具有重要意义。针对分析差异表达基因领域中基因表达数据“维度高,样本少”的特征问题,本文提出一种基于强化学习的特征选择方法,将高维的特征通过强化学习模型降至低维,不仅能完成差异表达基因的精选,同时可以解决传统方法需要提前确定待选择基因数量的问题。本学位论文主要工作内容如下:首先,收集本课题相关的基因芯片数据,并对这些原始数据进行数据预处理,得到可用机器学习方法处理的数据格式,也就是原始基因表达矩阵。使用基于统计的T-test算法结合改进的Fold-change算法进行特征基因的初步选择。针对基因平均表达量差异不大的情况,对FC值进行log2转换,得到不同分组之间上下调关系的显著表示,去除样本中基因表达值十分接近的以及与分组无关的基因,保留不同分组间基因表达值有较大差别的特征基因。其次,提出了基于强化学习的差异基因精选算法,构建了针对高维小样本基因表达数据特点的强化学习模型,分析了环境S在整个学习过程为不变量,以神经网络为Actor,且以“选中”和“不选中”两种情形作为可采取的行动action,同时提出一个改进的基于分类准确率的回报函数,完成特征差异基因的精选。最后,分析并设计系统功能模块,开发基于强化学习的差异基因分析系统,并对系统得出的结果进行进一步可视化。由于本系统主要受众是生物学、医学等专业研究者,使用图形为相关研究者提供简明、直观的表达方式,有助于理论论证以及下一步实验的分析。实验和验证结果表明,基于强化学习的差异基因选择算法和传统的算法相比,准确率提高约3%。同时通过与医学数据对比,本文方法能筛选出更多正确基因,对相关医学研究具有较强的参考价值。本学位论文开发的差异基因分析系统,能满足生物学医学研究者和工作者的实际需求,提高人们分析基因芯片数据的效率。