生物信息数据呈现了指数级数的增长,从这些海量数据中挖掘出有用的信息,已经成为生物信息学研究中急需解决的问题之一。本文主要的研究对象是基因表达谱和信号肽,并通过实验研究发现更有效的分类算法,扩展分类算法的应用空间。基于基因表达谱的肿瘤诊断方法有望成为临床医学上一种快速而有效的诊断方法.但由于基因表达谱数据存在高维数、小样本以及噪音大等特点,使得对其分类存在很大困难,所以很有必要寻找更为可行有效的分类方法。本文提出基于贝叶斯分类器改进的肿瘤基因表达谱分类模型,以结肠癌的基因表达谱作为实验数据,利用MATLAB的贝叶斯网络工具箱进行了实验,并用4-折交叉验证法测试识别准确率,实验结果表明上述方法是可行有效的。信号肽是一种短肽链,用于指导蛋白质的运输,并已成为在寻找新药物和用于基因治疗方面的重要工具。但随着新蛋白质序列在后基因组时代雪崩式的产生,使得新信号肽序列识别成为生物医学工程上的重要任务,也是我们面临的一项重大挑战。本文提出一个基于贝叶斯推理网络称为Signal-BNF的预测方法,用于预测N-端信号肽及其剪切位点。Signal-BNF算法先由多个不同的特征数据集作为贝叶斯分类器的输入,产生多个不同的贝叶斯基分类器,然后通过权重投票系统融合贝叶斯基分类器产生的不同结果,从而得到最终的预测结果。同时,利用MATLAB的贝叶斯网络工具箱进行了实验,以六个不同物种的蛋白质序列作为实验数据,并用5-折交叉验证法测试识别准确率,得到了较高的预测精度。