特征基因选择在肿瘤识别问题中起着关键作用。通过特征基因选择,不仅能够剔除与疾病无关的基因,降低机器学习算法的时间和空间复杂度,避免“维灾难”,提高分类的预测精度；同时选出的对疾病有鉴别能力的特征基因可以作为肿瘤基因诊断和肿瘤药物治疗靶标确定的依据。鉴于粒子群算法鲁棒性强、全局性适于并行处理、概念简单并且易于实现,近年来被越来越广泛地应用到基因选择领域。本文提出了两种基于粒子群算法的混合特征基因选择方法。两种方法都是先按照过滤法对样本所包含的全体基因进行预选择,然后在预选择的的基因子集上采用粒子群算法进行基因子集的精选。支持向量机的10折交叉精度和选择特征基因集的大小作为评价基因选择算法的指标。第一种是基于疫苗遗传粒子群的特征基因选择算法。该方法首先将遗传粒子群算法引入基因选择领域,同时针对交叉和突变可能带来的种群退化现象,将人工免疫中的疫苗机制引入到遗传粒子群算法中,通过疫苗提取、疫苗接种和免疫选择三步,有效地促进了抗体群适应度的提高。在两个公开的基因表达谱数据集急性白血病和结肠癌上进行实验时,分别只需5个和11个特征基因就能获得了100%和96.77%的10折交叉验证识别准确率。第二种是基于二进制量子粒子群的特征基因选择算法。该方法将量子粒子群算法引入基因选择领域,并且针对量子粒子群算法由于本身连续性不能直接用于基因选择的问题,在分析量子粒子群粒子位置更新公式的基础上,重新定义了离散领域的位置更新公式。在急性白血病和结肠癌数据集上进行实验仿真时,分别只需要5个和7个特征基因就能获得100%和96.77%的10折交叉验证识别精度。