在DNA微阵列研究领域,通过生物芯片技术对基因表达数据进行获取的过程中,一般都存在着基因表达的偏差。基因检测价格昂贵导致了实验个体数量偏少,然而每个人检测的基因数量却是万级的,当然其中包含了大量对分类无关的基因,基因之间的相关性也导致了数据的冗余性,这些就是基因表达数据的典型特点:小样本、高维度、高噪声。如何找出对分类敏感的相关基因成为了当务之急。于是针对基因数据分类中存在的特征维数过高、冗余数据和高噪声等问题,以及现如今基因表达数据的样本数量和特征维度越来越多的情况,本文研究出有效且鲁棒性高的用于基因表达数据分类的特征选择算法,提出了以下两种混合特征选择算法,并对其进行如下研究:(1)提出一种混合特征选择算法包括互信息最大化和自适应遗传算法(MIMAGA)。利用互信息最大化找出同类中相关性最强的基因,运用自适应遗传算法加强变异能力。实验结果表明,提出的MIMAGA混合特征选择算法显著降低了基因表达数据的维度,减少了分类的冗余。与传统的特征选择算法相比,经过MIMAGA混合特征选择算法降维后的子数据集得到了更高的分类精度。还使用四种不同的分类器应用于降维后的子数据集,以证明所提出的混合特征选择算法的鲁棒性。(2)提出一种基于ReliefF和自适应粒子群优化(APSO)的混合降维算法。通过ReliefF和APSO算法选择特征子集:首先利用ReliefF进行属性的评优,然后使用APSO平衡算法的全局与局部搜索能力,再使用超限学习机(ELM)作为评价函数,更快速的对基因数据进行分类,最后通过循环迭代得到最优的分类精度。实验证明,混合降维算法与已有的算法相比分类精度更高、更稳定,更适用于基因表达数据降维。