统计学习理论是一种专门研究有限样本情况下机器学习规律的理论,它不仅考虑了对推广能力的要求,而且追求在现有有限信息的条件下得到最优结果。支持向量机是在统计学习理论的基础上发展而来的一种新的机器学习方法,在解决有限样本、非线性及高维模式识别问题中表现出许多特有的优势。微阵列技术的到来将对生物学和医学产生一场革命,通过它可以同时观测成千上万个基因的表达水平,从而能够在基因组水平上以系统的、全局的观念去研究生命现象及其本质。微阵列基因表达数据具有维数高、样本小、非线性的特点,这对一些传统的机器学习方法提出了新的挑战,对其数据的分析已成为生物信息学研究的焦点。通过几个典型的微阵列基因表达数据集,可以研究支持向量机的理论和具体应用。在理论上讨论了统计学习理论的几个关键问题和支持向量机的原理,给出了支持向量机的训练方法-序贯最小优化的实现方法;针对样本数目不对称的情况,给出了改进的支持向量机模型,通过模拟数据验证了新模型的有效性;以支持向量机理论为基础,针对微阵列基因表达数据集,实现了基于支持向量机的微阵列基因表达数据分析软件,给出了分类器的构造模型:采用信噪比方法进行基因特征提取,用最小-最大方法进行规范化,用支持向量机构造分类器,把该模型和支持向量机的改进方法应用到几个典型的基因表达数据中,取得了较好的实验效果。