微阵列技术的发展在生物学历史上具有重要意义,该技术的发展使得成千上万的基因同时测量成为了可能,与此同时,大量的微阵列数据正以指数级增长。面对如此庞大的数据,若没有有效的处理方法,就容易导致从“数据资源”变为“数据灾难”。而这些数据存在着维数高、样本少即“维数灾难”问题。如何从这些数据中挑选分类能力强,数量少的特征基因极具复杂性。因此,本文主要针对该问题进行了基于降维技术的微阵列数据分析研究。　　 本文主要分为两个部分:一是线性降维算法,运用主成分分析(PCA),多维尺度变换分析(MDS),因子分析(FA)对微阵列数据降维,然后用SVM分类算法对降维的结果进行性能比较。分析结果表明PCA对分类结果性能优于其它两种线性降维方法；二是非线性降维算法,运用局部线性嵌入(LLE)、等距离映射算法(ISOMAP)、局部切空间排列(LTSA)对微阵列数据降维,并用SVM算法比较性能。结果显示,用LLE特征提取后,分类效果优于其它两种非线性降维方法。把线性降维和非线性降维的结果作比较,发现基于PCA与LLE的两种降维方法都能得到较好的分类性能。为了更好地理解降维对结果的影响,本文还对基因表达数据进行了可视化分析。