时至今日,癌症仍然是人类最高危的疾病之一。由于基因芯片技术的迅猛发展,海量的癌症基因表达数据能够成功获取并用于研究。利用基因表达数据来分析诊断病症,已成为后基因组时代的热点之一。基因表达数据的分类是针对具体功能基因表达的分析,其准确分类有助于提高疾病诊断的效率。但是,基因表达数据普遍具有样本数量少、单个样本维数极高、数据非线性等基本特点。针对基因表达数据的基本特点,本文采用基于稀疏表示的特征选择和分类方法。第三章提出一种基于稀疏表示的基因选择方法进行降维去燥和冗余检测。首先我们利用稀疏表示计算基因与类别之间的相关性,并进行排名,用于初步的特征选择。然后将选择后的特征子集进行分组,并迭代的对每组进行冗余检测,并对剔除冗余后的小组进行分类预测,直到所有分组都被迭代完毕,即获得最终子集。该方法能够保证了最大限度的剔除冗余特征,并且能够保证在迭代过程中,获得的子集的分类能力处于上升的趋势。针对目前稀疏表示算法的时间复杂度很大的问题,本文第四章设计了一种基于元样本的字典对迭代学习的分类算法进行肿瘤分类,我们称为MDPLC。该方法主要包括两大阶段,首先通过奇异值分解(SVD)提取每一类的元样本,组成元样本字典。然后将该字典分解成综合字典和分析字典,并进行交替迭代求解最优稀疏编码系数。该算法不仅能够在保证分类精度的基础上快速的进行求解系数编码,而且具有较好的泛化能力和算法稳定性。在公开数据集上,该算法跟其他几种基于稀疏表示分类的方法相比具有更好的分类性能。