基因表达数据反映了成千上万个基因在不同实验条件下的表达水平,当我们对这些基因表达数据进行分析时,挖掘隐藏在海量基因表达数据中的相似表达模式能够为我们提供有价值的生物信息。考虑到基因表达数据具有数据量大且高噪声的特点,如何从基因表达数据中有效的挖掘有价值的生物信息成为了一个值得研究的问题。通过生物信息学的研究发现,很多隐藏在基因表达数据中的遗传模式仅仅在特定的实验条件下对一组基因是可见的,这与基因调控的现象也是相符的,协同基因一般仅仅在某些特定条件下才会呈现出共同调控表达的特点。因此,我们将双聚类算法应用到了基因表达数据的挖掘中,双聚类算法能够同时对基因表达矩阵的行和列进行聚类,从而找到局部的相似表达模式。在双聚类的搜索过程中,我们希望能够找到体积较大且质量较高的双聚类,而这两个优化目标是一对互相冲突的优化目标,针对这一问题,本文将多目标遗传算法应用到了基因表达数据的双聚类挖掘中。本文提出了一种改进的多目标遗传算法,分别从种群初始化策略和选择算子设计两个方面对传统多目标遗传算法进行了改进,通过在若干个经典测试函数上与传统多目标遗传算法进行了多样性和收敛性对比,验证了改进多目标遗传算法的有效性。另一方面,本文基于改进的多目标遗传算法,提出了一种创新的双聚类算法。首先,在传统的双聚类种群之外,引入了行列种群来参与遗传进化的过程。行列群体能够帮助我们评估双聚类中每一行或每一列对双聚类的贡献,沿着优良行列个体定义的搜索方向来搜索双聚类,能够帮助我们在较小的搜索空间中有效的检测双聚类。其次,在行列种群和双聚类种群的学习阶段中,对行列群体采用了布谷鸟搜索算法来进行最优解搜索;对双聚类种群采用了改进的多目标遗传算法来进行双聚类种群的初步优化。最后,将进化后的行列种群和初步进化的双聚类中进行交配,使得双聚类群体能够得到进一步的进化,与此同时,行列群体的适应度值也得到更新。通过与多个经典双聚类算法在人工数据集和真实数据集上进行对比实验,本文提出的算法有着更好的表现,验证了本文提出的双聚类算法的有效性。