随着生物信息技术的不断进展，生物数据急速海量积累，与之对应的人类处理海量生物数据的方法却相对贫乏，为了挖掘海量数据中的知识和信息，人们综合运用数学，计算机科学和生物学的各种工具，促进了生物信息学的快速发展．单核苷酸多态性（SNPs）是基因组中最常见的一种多态形式，SNPs的识别问题也是生物信息学研究的一个重要方面． SNPs检测对于复杂疾病的预防和治疗有着广泛的应用，特别是对于当前多基因复杂疾病如肿瘤、冠心病，糖尿病等．因此，近几年探讨SNPs作为复杂性疾病的遗传标记的关联性研究大量涌现，由于生物数据有它本身的特殊性，传统的单因素分析已经不能满足SNPs识别的需要，尤其是在SNPs具有强连锁不平衡性以及SNPs数量远大于样本数量的情况下．在这篇文章中，我们把岭回归，逐步回归，lasso回归以及boosting变量选择的办法应用到SNPs的识别问题研究，并且通过比较ROC功效曲线以及相应的AUC面积可以看出，与单因素分析相比，它们在SNPs的识别问题中具有一定的优势．