当今社会癌症的发病率越来越高,对人类健康构成严重的威胁,伴随着人类基因组计划(Human Genome Project)的发展,可以通过DNA微阵列技术产生大量的基因表达数据,但是数据集的样本一般都是维数高而且样本量比较少。如何从数据中挖掘出有用的信息和知识,对肿瘤的辅助诊断至关重要。极限学习机(Extreme Learning Machine,ELM)能够通过输入样本逼近复杂的非线性映射,在基因数据分类时学习速度快,并且能够避免陷入局部收敛的状况,但是在处理非线性数据时,分类结果较差,并且不稳定。为了得出精度更高且更稳定的基因分类算法,本文对ELM算法进行了研究。主要工作有:1)提出一种基于带活跃算子粒子群的核极限学习机算法。通过分析ELM算法的原理,结合其优缺点,引入了核函数,采用核极限学习机(Kernel Extreme Learning Machine,KELM)对给定数据进行初始化,产生一组输入权值和隐层偏置,针对KELM内权随机赋值导致算法不稳定的问题,用带活跃算子粒子群优化算法(Active Operators Particle Swarm Optimization,APSO)对内权参数进行优化,最终得到分类效果较优并且稳定的APSO-KELM分类器。2)提出一种基于Cholesky分解的APSO-KELM的基因表达数据分类算法。针对APSO-KELM算法引入了核函数和带活跃算子的粒子群算法,导致计算量加大,而且KELM算法的输出权值求解采用传统的矩阵求逆运算,计算更加复杂,这样导致算法运行时间会大大加长,因此对KELM的输出权值采用Cholesky分解进行优化,得到更高的精度同时减少运行时间的APSO-C-KELM算法。