随着生物基因测序的发展,基因表达数据量大且复杂,双聚类算法已被广泛用于挖掘基因表达数据,成为一个新的研究热点。与传统的聚类不同,双聚类是从行和列两个方向同时进行聚类,具有局部聚类的特性。为了对基因表达数据进行更好的处理,双聚类问题也越来越被重视,是生物信息领域的一个重要研究课题。本文提出了用模糊理论的方法在Cheng和Church算法的基础上对其进行改进,实现了应用在大数据上使得聚类更加精确。首先对双聚类算法加入综合评判标准,让算法在对行和列进行添加删除操作的同时考虑加入综合评判,使得筛选更加精确,能找出更加精确的双聚类。然后用模糊随机变量特征值取大的方法,配合评判矩阵(平方残基隶属矩阵),使得算法的迭代不会在原始数据上失真。最后对基因表达数据做预处理,选取一个大数据跟一个小数据进行实验,并对实验结果作对比。该方法主要加入了模糊理论的综合评判等方法,并使得算法迭代数据不失真。实验结果表明改进后算法在大数据筛选上的平均平方残基与得到的双聚类的容量都优于原算法。在上面改进的算法基础上,考虑用多目标优化的方法对算法进一步改进。多目标优化考虑到双聚类算法的两个标准：最小化平均平方残基和最大化双聚类容量。加入多目标优化后的算法在对基因表达数据做实验,实验结果与前面的实验作比较,加入多目标优化的算法在平均平方残基与双聚类容量上都得到优化。再与现在的主流双聚类算法作比较,多项数据位居第二。