随着分子生物科学和信息科学的快速发展,生物信息技术作为新型学科成为前沿研究领域,通过基因分类可以将海量的基因表达数据划分成数量相对较少且具有生物意义的组,并在此基础上从中抽取具有价值的信息,以便弄清楚不同基因组合的功能关系和工作方式。如何对基因数据进行有效的分类,以提取对生理学和医药学等有价值的生物信息成为研究的热点。所以本文研究的模糊支持向量机的基因分类技术具有实际意义。模糊支持向量机既有支持向量机的泛化能力强、全局最优等优点,又有模糊技术的不依赖被控对象模型、鲁棒性强等优点,近几年得到了广泛的发展。本文把模糊支持向量机应用到基因分类这一领域中,能够有效的区分分类的中的噪声和野值样本,提高了分类的精度,具有良好的可行性。本文主要研究模糊支持向量机算法在基因分类中的应用,提出了改进的模糊支持向量机算法,并应用到基因分类中。在重视分类面附近的样本的基础上,提出了基于分类超平面的模糊最小二乘支持向量机算法。在分类过程中,位于分类超平面附近的样本点很有可能成为支持向量,对分类的结果影响比较大,因此在隶属度设计中,对这些样本赋予了较大的隶属度权值。实验结果表明该算法提高了分类的精度。最小二乘模糊支持向量机很好的解决了凸二次规划的问题,在模糊隶属度设计过程中,除了要考虑了样本与类中心之间的关系,还应该充分的考虑了样本与样本之间的关系,为此本文提出了一种基于密度的最小二乘支持向量机算法,通过样本在该样本周围一定范围内的样本数量来确定密度,并以此来设计隶属度函数,很好的减小了噪声或野值样本对分类的影响。并将该算法应用于基因分类中,实验表明该算法能够有效的区分噪声和野值样本,提高了分类精度。