当今社会癌症的发病率愈来愈高,对人类的威胁日渐加重,伴随生物医学的快速发展,基因分类技术不断的得到完善,并逐渐趋向成熟。在数据挖掘领域中早就出现生物医学的身影,通过使用机器学习算法完成对癌症等恶性肿瘤疾病数据的分类、识别。基因数据的存储形式为矩阵形式,通过分析基因发生的变化以及基因间的相互关系为后期疾病的诊断和治疗提供可靠的依据。极限学习机(Extreme Learning Machine,ELM)作为一种分类速度快泛化性能好的学习算法,受到越来越多研究者的青睐,并在很多领域都有广泛的应用。ELM能够通过输入样本逼近复杂的非线性映射,对基因数据进行分类时学习速度快,并且能够避免陷入局部收敛的状况,但是在处理非线性数据时,由于输入权值和隐层偏置的产生存在随机性,使得分类结果较差,针对这一问题,引入粒子群算法(Particle Swarm Optimization,PSO)对其参数进行优化,主要做以下方面的研究:(1)提出一种基于探测粒子群的小波核极限学习机算法(DPSO-WKELM),该算法首先在ELM中加入核函数,构造核极限学习机(Kernel Extreme Learning Machine,KELM),KELM能够有效的解决ELM在训练过程中随机产生的输入层权值和隐层节点偏置对模型的稳定性及分类精度产生的较大影响,并且KELM通过在运行过程中能获得最小平方解,使算法达到更好的稳定性和泛化性。本文使用探测粒子群算法(Detecting Particle Swarm Optimization,DPSO)对ELM输入权值和隐层偏置进行优化,加入探测粒子,并将探测粒子的个体最优解给普通粒子作为其当前位置进行后续迭代寻优,有效的提高了粒子群在全局寻优时的收敛精度。实验结果表明基于探测粒子群的小波核极限学习机在基因数据分类上能够获得较高的分类精度。(2)针对ELM的参数随机化不利于模型泛化的特点,提出自适应混沌粒子群算法对极限学习机参数的优化(ACPSO-ELM),本文在粒子的速度更新公式中加入惯性系数,增加粒子在寻优过程中跳出局部极值的能力,有效解决粒子群算法在处理多峰函数问题时出现早熟收敛的问题,同时在粒子群中加入混沌序列,使得粒子在运行过程中出现惰性时能有效的跳出。实验结果表明,自适应混沌序列对粒子的快速、准确寻优起到良好的优化,同时提高了极限学习机对基因数据的分类精度。