一直以来,主分量分析(PCA)是一个倍受国内外学者关注的科研课题,它能找到一种可逆的正交变换,使原有的高维数据投影到较低维的数据空间中,并保留数据的主要特征。目前PCA已经广泛地应用于现代信号处理的许多领域,如数据压缩、特征提取、模式识别、数字通信、计算机视觉等等。然而,传统的基于K-L变换的PCA方法需要进行数据自相关矩阵的特征值和特征矢量的计算,但这种大量的矩阵运算给编程带来了一定的难度,增加了算法的复杂性。本论文将PCA方法和人工神经网络结合起来,研究了基于神经网络的多主元提取算法,重点介绍自适应主分量提取(APEX)神经网络算法。APEX算法能够利用无监督的自适应神经网络的并行运算直接提取主分量,从而大大提高特征提取的速度。本文使用服从高斯分布的人工仿真数据和高维基因表达数据,对APEX算法与传统的基于K-L变换的PCA算法进行多个方面的性能比较。并首次将APEX神经网络算法用于基因表达数据的处理中,通过对Yeast和NCI64两种基因表达谱数据的对比实验表明,APEX算法与传统的基于K-L变换的主分量提取算法相比,具有明显快得多的运算速度。另外,根据得到的不同主分量对原始基因表达数据进行了重构,为课题的下一步展开做了铺垫工作。