利用基因表达谱数据进行肿瘤分类是生物信息学领域的研究重点之一。基于基因表达谱,使用现代数据挖掘方法研究肿瘤的发生机制有助于肿瘤的诊断和个性化治疗。但是,基因表达谱数据通常具有高维小样本的特点,这使得很多传统的经典数据挖掘方法不能很好地应用于肿瘤分类。因此,亟需有效的数据处理方法来解决这一难题。近来,受到基于l1范数最小化方法的启发,稀疏表示方法作为一种新颖强大的数据处理方法应运而生。稀疏表示具有鲁棒性强、识别率高等众多优点,本文重点研究了其在肿瘤分类中的应用。主要工作如下:基因表达谱数据高维、高噪和高冗余的特性使得很多经典的分类方法不能很好地用于肿瘤分类。针对这一问题,本文设计了一种基于稀疏表示的基因选择方法来对其进行降维、去噪和去冗余。该方法分为三个步骤,首先利用稀疏表示计算基因与类别之间的相关度,根据相关性对基因进行过滤,选择排名靠前的信息基因。然后基于稀疏表示相关性度量设计了一种最大相似树算法对信息基因进行聚类,得到基因簇,最后在每个基因簇中选出代表基因组成最终的特征基因子集,这种方法能有效选出与分类最相关的基因。该方法不仅能生成更小的特征基因子集,还提高了分类性能。针对目前肿瘤分类算法分类性能和泛化能力不高的问题,本文设计了一种基于K-SVD的稀疏表示分类方法进行肿瘤分类。该方法包括两个阶段,首先通过K-SVD字典学习算法对每一类训练样本进行字典学习,进行去噪和去冗余,从而提取到最能稀疏表示测试样本的训练字典,得到的新训练样本字典具有更强的表示性和判别性;然后将测试样本表示为所有新训练样本字典的线性组合,根据表示系数的判别函数对测试样本进行分类。在七个公共肿瘤数据集上的大量实验也证明了该方法是有效的,比一些典型的方法实现了更好的分类性能。