基因表达数据对于生物学和医学的相关研究意义重大,是生物信息学领域的重点研究对象。本文所要研究的是基因表达数据分析中的热点问题:基于基因表达数据的癌症分类和预测问题。通过对基因表达数据进行分析,对于找到基因表达变化与病理特征的对应关系,分析发病机理,从而筛选疾病的诊断靶位和药物靶位等方面的研究有重大意义,进而使直接利用基因表达数据进行疾病的诊断成为可能。本文对于目前已经存在的癌症分类和预测的算法,即通过基因表达数据分析进行癌症分类和预测的k-TSP算法进行了改进。针对目前比较流行的分类算法,其中包括C4.5决策树方法(DT),朴素贝叶斯网络方法(NB),k最邻近方法(k-NN),支持向量机方法(SVM)和微阵列数据的预测分析方法(PAM),在9个二分类癌症基因表达数据集和10个多分类癌症基因表达数据集,总共19个数据集上进行了分类预测准确率的比较,取得了较好的效果。本文根据k-TSP算法本身的特点,利用信息熵的方法进行特征基因的选择,缩减基因表达数据的维度,然后根据已选择的特征基因进行k-TSP算法的训练,再用训练好的k-TSP分类器对癌症样本进行分类和预测。不但使k-TSP算法在某些数据集上的分类预测准确率有所提高,而且减小了k-TSP算法的计算量。为了说明信息熵算法在特征基因选择方面的作用,本文以白血病数据集为例,针对通过信息熵算法选择出的特征基因经过k-TSP的筛选而得到的用于分类规则的基因,通过在NCBI上的查找,确定了它们的功能,讨论了它们与白血病之间的关系。