微阵列技术的到来将对生物学和医学产生一场革命，通过它可以同时观测成千上万个基因的表达水平，从而能够在基因组水平上以系统的、全局的观念去研究生命现象及其本质。微阵列基因表达数据已经应用到肿瘤分型、肿瘤分类、基因功能研究、基因之间调控网络构建以及药物靶位识别等许多方面，对表达谱数据的分析已成为生物信息学研究的焦点。本文主要研究基于基因表达数据的数据分析方法，并针对已有的算法与模型当中所存在的问题，提出对算法的改进。 本文在介绍了微阵列数据原理的基础上，首先介绍了数据预处理和特征提取过程，之后讨论了两个紧密相关的应用领域：肿瘤分类和聚类。在肿瘤分类中，主要研究了基于BP神经网络的方法和基于支撑向量机(SupportVectorMachine，SVM)用于多类别分类的方法。实验结果表明，BP网络设计适当的情况下能够得到很好的分类结果，识别率高。而用两类支撑向量机构造多类别分类器，应用到14个类别的基因表达数据中，取得了较好的实验效果，同时与KNN方法进行比较，可以看出基于SVM构成的分类系统尤其适合于多类别的基因表达谱数据集分类。在基于SVM的方法用于多类别问题中，对比了两种构造方法OnevsAll(OVA)以及AllPairs(AP)的结果，两种结合方法中OVA方法的识别率优越于其他方法，性能稳定。分类性能均达到或超过了公开发表的实验结果。 在研究组织样本的聚类分析过程中，实现并对比了以下几种方法：层次聚类法、k均值法，同时本文采用了一种非常新颖的自组织特征映射神经网络的改进模型-DoubleSelf-OrganizingMap(DSOM)方法。实验证明DSOM网络应用到癌症基因表达谱数据分析中是很有效和可靠的，而且此方法具有可视化的优点，将高维的数据投射到二维平面上，更清楚地观测到聚类效果。聚类结果可以辅助病理学家进行进一步的有关肿瘤诊断和治疗。