基因选择是微阵列数据研究中的重要课题。从充满冗余信息和噪声的高维小样本的数据中选择与样本分类最相关的基因，有利于提高分类器对样本的分类准确率。本文在从微阵列数据中获取熵信息基础上，利用粒子群优化算法(PSO)结合极端学习机(ELM)进行基因选择。该类方法在基因选择过程中考虑问题中蕴含的先验信息使得选出的基因具有一定的可解释性，并提高了极端学习机对癌症微阵列数据的预测精度。本文主要工作如下:　　 (1)提出了一种耦合微阵列数据中各基因的判别熵信息结合粒子群优化和极端学习机的混合基因选择方法。该方法首先根据微阵列数据中各个基因的判别熵信息建立初选基因库，然后在初选库中通过粒子群优化算法搜索具有最高分类率的基因组合。该基因选择方法在基因选择过程中综合考虑每个基因对于分类所提供的信息度，使得所选基因具有很好的可解释性，并使得所选基因组有利于提高微阵列数据的分类准确率。在五个常用微阵列数据集上的实验结果验证了该方法的有效性。　　 (2)提出了一种将微阵列数据中基因组的最小熵信息（信息度）编码进粒子群优化算法进行基因选择方法。该方法将每个粒子所代表的的基因组合的信息度值作为该粒子的适应度函数值，通过粒子群的进化来获取最优基因子集。该方法更易于选出那些基因使得样本的类间距离较大而样本的类内距离较小，从而有利于实现样本分类。实验结果表明，该方法能够获取低冗余的信息基因，并在该方法选出的基因子集上，极端学习机获得优于经典方法的预测精度。