生命科学技术的快速发展产生了大量的生物数据,形成了多种多样的复杂体系,如何从这些数据中发现有价值的知识及规律,成为目前理论与实践研究的热点与难点。为了快速且全面的处理如此多的生物数据,数据挖掘技术成了大部分研究者的首选,旨在利用数据挖掘的方法,在已有数据的基础之上发现相应的规律和知识进而指导与解释生物实验与生命现象,加速对生命本质特征的认识。分类是数据挖掘中重要的内容,也成为各学科研究的重点。朴素贝叶斯分类器是一种简单且高效的分类器,它是在贝叶斯定理的基础上,通过条件独立性假设,将计算消耗降低,预测未知数据样本,并且对高维数据分类有良好的表现。但朴素贝叶斯限制条件较强,影响其在现实应用中的分类性能。通常对朴素贝叶斯的改进一般从两方面进行,即属性间的依赖关系和分类器的整体技术。本文着眼于分类器整体技术和属性选择,提出了二次建模的加权朴素贝叶斯,结果表明该算法在相对较大的样本集中取得了较好的效果。属性选择作为一种数据预处理的技术,有着重要的意义。研究表明大部分数据集中存在的冗余和噪音数据严重影响了分类的效果,一般采取的方法是属性选择或属性提取。本文提出了基于ReliefF的打包算法,结合了过滤(Filter)属性选择与打包(Wrapper)属性选择的方法,其效果比单独使用其中的一种更好。经测试,通过与三个Filter方法和两个Wrapper方法比较,该算法体现了其优越性。