作为数据分析和知识获取的有效工具,概念格在大数据背景下具有广阔的发展空间。通过高效挖掘数据深层信息,快速建立数据之间的联系,可以满足多种领域的任务诉求。随着生物基因测序技术的发展,研究者意识到不能仅仅局限于获取生物基因数据,探究其中蕴含的特征规律也十分重要。因此,寻找有效挖掘和分析生物基因数据的方法成为当前的研究热点。分析现有的数据挖掘方法,发现其应用于生物基因数据仍存在以下不足:数据挖掘过程中侧重于数值,忽略基因之间依存关系,挖掘出的信息复杂庞大,表示出的基因之间联系较弱;生物基因数据不仅包含关联程度高的目标基因,而且存在大量不相关冗余基因,通过常规方法选择高相关目标基因,去除低相关冗余基因的效果不好;数据缺失是生物基因数据分析过程中不可避免的问题,现有的缺失值插补方法在大规模数据中插补效果不佳。针对以上不足,将概念格理论融合到现有的数据分析方法中,从挖掘基因依存关系,去除冗余基因数据,提高基因缺失值插补效果三个方面出发,提出相应的改进方法,并在生物基因数据中验证其有效性。本文具体研究内容如下:（1）针对生物基因数据处理过程中忽略基因依存关系,关联表示不清晰的问题,提出基于K-means聚类逆模糊变换（K-means Cluster Inverse Fuzzy Transform,KIF）的基因概念挖掘方法。属性依存关系可以衡量基因之间的依赖程度。引入K-means聚类逆模糊变换计算基因的属性依存关系指标,能够快速获取关键基因。以关键基因为基础,构造具有属性依存关系的概念格。将KIF方法应用于急性髓性白血病（Acute Myeloid Leukemia,AML）,甲状腺乳头癌（Papillary Thyroid Carcinoma,PTC）,直肠癌（Colorectal Cancer,CRCA）和前列腺癌（Prostate Cancer,PCa）数据集中,均可以有效挖掘基因依存关系,构建关系清晰的基因概念知识网络。（2）针对生物基因数据中存在大量冗余基因的问题,提出基于谱聚类特征选择（Spectral Cluster Feature Selection,SCFS）的基因概念格约简方法。使用谱聚类对全局划分簇,在簇内选取强特征基因,通过特征重要性指标构建特征子集,保留与特征子集存在高相关性的基因,过滤低相关性基因。高相关性基因能够包含生物基因数据集中大部分有效信息,以此达到去除冗余基因的目的。利用特征选择选出的特征子集构造概念格,有效实现概念格约简。将SCFS方法在癌干细胞（Cancer Stem Cell,CSC）,膀胱癌（Bladder Cancer,BC）,前列腺癌-HOXD13（Prostate Cancer,PCa-HOXD13）和乳腺癌巨噬细胞（Breast Cancer Macrophages,BCM）数据集中进行实验,在去除冗余数据,约简概念格上均取得了良好效果。（3）针对大规模生物基因数据缺失值插补效果不佳的问题,提出基于概念格的多重插补法（Multiple Imputation Based on Concept Lattice,MIC）和基于概念格的主成分分析法（Principal Component Analysis Based on Concept Lattice,PCAC）。通过在数据完整的样本中构造概念格,获取基因之间的关联规则,应用于存在缺失值的样本中,通过缩小基因搜索范围,提高插补效果。将MIC和PCAC在急性髓性白血病,甲状腺乳头癌,直肠癌和前列腺癌数据集中进行实验,结果表明MIC和PCAC能够在大规模基因数据中有效提高缺失值插补效果。