随着数据获取技术精度的不断提高,产生的数据的维数越来越多,其中包含一些噪音和无关的信息,简单统计学方法已经不能满足人们对于知识发现的需要。面对这种“数据极其丰富而信息相对缺乏”的情况,数据挖掘技术逐渐显现出的它的优越性,成为一种强有力的分析手段和有效的分析工具。特征选择与聚类是数据挖掘中两个主要的研究领域。特征选择的目的在于从海量数据中提取出有用信息,从而提高数据的使用效率；聚类则可以在无人工因素的干扰下给出原始数据整体评价。近几年来,基于遗传算法的特征选择方法以及近邻传播(affinity propagation,简称AP)的聚类算法受到了大家的广泛关注。本文首先在多种群代理遗传算法的基础上,通过改变编码方式并且与融合思想结合提出了一种新的基于遗传算法的特征选择方法。该方法在保持原有算法优点的基础上,有效的避免了原始算法得到的特征结果中包含特征数目过多的缺点,通过特征选择频数得到了特征的重要性排序,利于挑选重要特征进行分析。受多种群代理遗传算法的启发,提出了一种链状多种群遗传算法,该方法通过构造一种新的种群结构和改进选择策略提高种群的多样性。其次在聚类的研究中,本文提出了一种基于近邻传播的特征加权聚类方法,通过特征的加权,从而综合考虑了不同特征在聚类中的不同作用,使得聚类结果较传统方法更能反映出数据的信息。通过对采用代谢组学方法得到的肝病数据进行特征选择,基于短编码的多种群代理遗传算法与链状多种群遗传算法可以有效的避免结果中包含的特征数目过多缺点,同时提高了分类的准确率。在聚类研究中,通过对UCI中数据集进行测试,与原始的近邻传播算法相比,基于近邻传播的特征加权聚类算法可以不同程度的提高聚类的准确率。