近几十年来,肿瘤疾病已经成为人类面临的最难治愈的疾病之一,严重的危害着人类的生命健康,到目前为止尚未找到有效的治疗方法。想要治疗肿瘤疾病,首先要进行正确的肿瘤亚型诊断,用生物信息学中的术语来说就是肿瘤分类。在此之前,传统的肿瘤分类方法主要是通过显微镜检查病理组织的方式来进行分类,这种方法在普通的肿瘤诊断中效果表现不错,但是如果有两种甚至多种肿瘤亚型在组织形态上非常相似,而这在实际情况中也是很常见的,那么此时传统的组织病理学检测方法的效果就不那么令人满意了。因此,本文针对可应用到临床的肿瘤亚型分类方法进行了研究,主要包含以下两方面内容:(1)针对现有的基于稀疏表达的肿瘤分类方法在最终的分类决策方面的不足,本文提出了一种新的结合字典对样本的重建能力与稀疏编码系数判别能力的新模型,该模型在理论上可以进一步提高分类精度。利用字典可以对测试样本进行近似表达,在已有的基于字典学习的分类方法的最后也常常使用样本的重建残差作为最终的分类决策;稀疏编码系数作为另一个约束项,使得在对测试样本进行近似表达时,使用到的字典的“原子”尽量少但却完全足够。该模型在六个常用肿瘤数据集上进行的一系列实验表明,本文提出的新方法在大部分情况下均提高了分类准确度。(2)考虑到D-KSVD方法在数据的分类及特征识别方面表现出了很好的性能,本文考虑将其应用到基于基因表达谱数据的肿瘤分类领域。该方法的本质就是在K-SVD方法的基础上引入了线性回归作为惩罚项,以求进一步提高分类准确度。D-KSVD同样综合考虑了字典对测试样本的重建能力与编码系数的稀疏约束能力,同时在K-SVD的基础上引入了分类误差项,考虑到了字典构造过程中字典的判别能力。在六个常用肿瘤数据集上对该方法在肿瘤分类领域的性能表现进行了验证,结果表明其确有良好的分类性能。