转录组和甲基化组基因序列是受遗传信息和环境因素影响的基因组数据的两个主要来源,已被广泛用作疾病诊断和预后的生物标志物。现如今,转录组和甲基化组分析技术可以检测到人类基因组中数千万甚至上百万条基因的状态,但受样本数量的限制,“大P小N”的模式使得转录组数据难以应用流行的分类模型。传统的机器学习方法,主要是依赖于特征选择的能力,而深度学习模型需要大量的数据,迁移学习的方法大部分被应用于图像数据。针对这一研究现状,本文提出了一种基于原始基因序列,利用小型卷积神经网络构造特征的特征构造方法,并结合传统的机器学习方法,解决在仅使用特征粗选方法或者随机挑选特征的前提下,进一步提高分类精度的问题。在本研究中,我们定制了一个小型卷积神经网络。通过卷积神经网络和原始特征构建了少量的新的特征数据。并在构建的特征的基础上进行特征选择和分类实验。针对各特征层的数据进行了相关性分析,结果表明,卷积层特征的差异表达更加明显。更重要的是,我们通过实验证实了特征构造方法的有效性,通过使用相同的原始特征以及相同的特征选择算法（包括T-Rank,W-Rank,Mc Two）,实验结果表明,经过卷积神经网络构造的新特征能够取得优于原始特征的效果,无论是哪一种特征选择方法,构造特征都能提升准确率。此外我们还提出了一种简易的特征选择方法,结合特征构造能够进一步提升准确率。为了进一步探索特征选择方法,我们使用Mc One、T-Rank、W-Rank、Pearson、Sepearman和随机特征选择方法来探索使用哪些特征进行特征构建,以获得更理想的结果。实验表明,利用T-Rank选择特征进行特征构建取得了最理想的效果。令人惊讶的是,即使特征是随机选择的,它们也能比直接使用原始特征获得更高的准确性。而且,特征构造的方法,拥有与原始数据相近的稳定性。为了实验更加全面和严谨,针对不同评价指标和不同的分类器均进行了分类性能的分析,结果表明特征构造方法具有优于原始特征的分类效果。