癌症是一类由控制细胞分类和凋亡的机制失常而导致的疾病。预防癌症致死的关键是提高癌症的早期诊断水平,而在癌症的早期诊断和治疗中,最主要的是找到肿瘤的潜在生物标记,蛋白质组学的发展为癌症的早期检测和诊断提供了可能,其中基于质谱技术的蛋白质组学数据分析能为肿瘤的早期诊断提供有力手段。从高维的肿瘤蛋白质质谱原始数据中挖掘出具有样本差异的标记物或者找出可以体现样本之间差异的特征,对识别恶性肿瘤的生物标记具有非常重要的意义。本文针对低样本、维数高的质谱数据,采用有效的降维方法,提取对分类预测具有高可靠性的质谱数据。按照其谱丰度的大小将其转化为蛋白质序列。利用蛋白质质谱数据准星形图的构造,提出了用两类准星形图的拓扑指数来数值刻画蛋白质质谱数据的数字特征,建立蛋白质谱的数学刻画模型。进一步地,根据得到的拓扑指数利用SVM构建二分类模型。首先应用不同的归一化方法对数据进行标准化,利用不同的SVM核函数进行分类,结果显示在[0,1]归一化时选取高斯核函数分类,对数据进行[-1,1]归一化时选取线性核函数分类,分类预测的准确率均为97.67%,敏感性为98.75%,特异性为96.00%。与其它方法相比较,此方法具有较高的准确率。最后将此方法推广到三分类数据集上,构造SVM三分类分类器,正确率为64.8%。本文的方法具有很好的拓展性,可拓展到对其它二分类数据的分析。