基因识别是生物信息学领域的一个重要研究内容。虽然现在有90％以上的基因都可以准确注释，但是由于基因表达调控的复杂性和复杂疾病的研究使得基因识别依然是具有挑战性的课题。本文以原核生物基因为研究对象，围绕利用特征筛选提高基因识别率这个目标，从训练集的产生及优化和分类器的选择两个方面开展了理论和实验研究工作。　　 论文首先综述了国内外的原核生物基因识别算法，根据原核生物基因组的特点提出了利用特征筛选来提高基因识别率的方案。　　 其次，研究了原核生物基因识别中的特征筛选方法。在大肠杆菌全基因组序列寻找满足条件的开放阅读框(Open Reading Frames，ORF)，并与可靠基因位点文件进行比较产生训练样本集。然后提取GC含量和Z曲线特征，通过对这四个特征进行特征组合和信息量T检验，对不同信息量的特征分别设计Fisher判别法、线性最小二乘支持向量机和非线性最小二乘支持向量机分类器，结果表明随着特征值信息量的减小，分类器的错分率都有所增加，并且非线性最小二乘支持向量机的识别率比fisher线性判别和线性支持向量机高。　　 最后，实现了一种基于非线性最小二乘支持向量机的基因识别算法，考虑到密码子内部相邻碱基之间的近程相关性，通过对Z曲线33个识别变量进行特征筛选得到22个优选特征值，并通过排除训练集重叠ORFs和进行起始位点预测使训练集的正样本更接近于真正的编码蛋白质基因。利用这个训练集设计的非线性最小二乘支持向量机分类器可以使基因的识别率达到94％以上。