基因表达数据分析能够为基因调控机制的研究以及肿瘤疾病的药物治疗提供宝贵的信息参考,有着十分重要的意义。随着基因芯片技术的不断发展,基因表达数据的数据量也在呈指数型增长。因此,如何更加有效的从海量的基因表达数据中挖掘出有用的生物学信息是一个值得挑战的问题。双聚类算法的提出为基因表达数据的分析提供了新的有效的方法。双聚类算法可以找到在特定的条件集下具有相似表达模式的基因集,突破了传统聚类分析方法的局限性,是目前基因表达数据分析中研究的热点。在众多的双聚类算法中,遗传算法由于其突出的全局搜索能力,被广泛应用于双聚类挖掘问题中。大多数传统的基于遗传算法的双聚类算法在评估双聚类的质量时,是把双聚类看成一个整体去评估,而没有单独考虑每一个行和列对于相应的双聚类的贡献程度。也因为如此,大多数遗传双聚类算法只简单考虑了以双聚类为个体的单一种群的遗传进化。随着基因表达数据矩阵的增大,遗传算法的搜索空间也急剧增长。在庞大的搜索空间下,单一种群的遗传进化搜索更倾向于收敛到局部最优解而无法有效的找到全局最优解。出于这样的考虑,本文在传统的以双聚类为个体的种群的基础之上,创新性的提出了以行和列为个体的新的行列种群,并设计了新的编码方案和适应度评价函数。另一方面,传统的以双聚类为个体的双聚类种群和本文所提出的以行和列为个体的行列种群是两种不同类型的种群,应对应着两个不同的遗传进化学习的阶段。因此,针对这两个不同的种群,本文创新性的设计了一个双阶进化算法框架,让两个不同的种群分别在两个不同的阶段进行遗传进化学习,并且通过两个种群之间的交配过程进行种群间的信息交流,从而进一步促进两个种群的进化学习,最终得到更好的双聚类结果。本文在新的双阶进化算法框架的基础之上,分别基于单目标遗传算法和多目标遗传算法,提出了两种双阶进化双聚类算法应用于基因表达数据的双聚类问题上。为了验证本文所提出的两种双阶进化双聚类算法的合理性和有效性,本文从人工模拟数据集和真实基因表达数据集两个方面,设计了多个对比实验,并与多个经典的双聚类算法的实验结果进行了对比分析。实验结果表明,本文所提出的两种算法在人工模拟数据集和真实数据集上相比其他算法都有更好的表现。