癌症已经成为严重的影响人类健康的疾病。癌症大部分是可以预防的,但在癌症疾病的初期却是很难被检测和诊断的。于是如何对癌症疾病的初期进行有效的检测成为了提高癌症疾病治愈的重要方法。蛋白质组学的研究为癌症疾病的初期检测提供了新的思路。随着信息技术的快速发展,通过分析利用质谱分析仪得到的蛋白质质谱数据可以去检测样本是否患有癌症,或者是癌症的初期还是晚期。本文是以真实的黑色素瘤细胞的蛋白质质谱数据为基础,结合数据挖掘中的分类方法和范剑青老师所提出的ROAD方法对黑色素瘤数据进行分类研究。文章的目标是对黑色素瘤细胞的蛋白质质谱数据进行有效的分类(初期还是晚期)。本文首先详细的阐述了数据挖掘中的五种分类方法：KNN分类、SVM分类、Random Forests分类、Naive Bayes分类和Fisher分类方法及它们的优缺点。同时也介绍了ROAD方法的具体过程及求解方法。其次,由于蛋白质质谱数据一般都是小n大p的高维数据,本文所采用的数据n=205, p=18856。并且蛋白质质谱数据还具有高噪声、高冗余等特性,使得分析此类数据非常困难。由于有一般计算机处理数据的能力有限,仅能处理几千维的数据,所以文章利用了t检验和标准化对数据进行了预处理。最后针对上述方法对黑色素瘤细胞数据进行了实验分析,通过误分类率进行结果比较。结果显示,对于小n大p的蛋白质质谱数据,ROAD方法会有较好的分类性能,误分类率较小,分类效果会更加的理想。