癌症诊断是生物医学研究领域备受关注的问题。现阶段的癌症诊断主要集中在形态学上,有确切的诊断结果往往都是癌症中晚期。这时候的癌症治疗方法有限,治愈率较低。越早诊断出癌症,治愈率越高。癌症的早期诊断是治疗癌症的关键。本文根据癌症基因的特点,从基因层面诊断癌症,实现癌症的早期诊断。本文进行了以下方面的研究:(1)提出一种基于Adaboost的自适应遗传算法优化超限学习机(Extreme Learning Machine,ELM)的基因表达数据集成分类算法,该算法选取超限学习机作为基分类器。分类时,ELM算法具有学习效率高、泛化能力强的优点。但是ELM的分类结果受输入权值矩阵和隐含层偏差随机初始化的影响。为了解决这个问题,本文利用自适应遗传算法优化了ELM的输入权值矩阵和隐含层偏差。改善了ELM随机误差大的问题,提高了ELM算法的稳定性。(2)提出了一种基于遗传算法的混合Adaboost的基因表达数据集成分类算法。该算法的基分类器是决策小组,决策小组数由相同个数的朴素贝叶斯、K近邻以及决策树组成的。决策小组的组成方式是,随机从上述三个算法中抽取一个算法,重复三个,组成决策小组,当前决策小组的类别是由组成决策小组的三个分类器的分类结果通过投票法产生的。最后,通过利用遗传算法优化各基分类器话语权的方法,将基分类器提升成强分类器。达到了提高分类精度以及分类稳定性的目的。