癌症已经成为威胁人类生命健康的主要疾病之一,高效的基因选择方法可以有效识别和分析基因表达谱中的致病基因,为癌症的预防和治疗提供重要的参考。基因表达谱具有高维度、小样本的特点,一般的基因选择方法在一定程度上可以缓解维度过高带来的压力,但样本数量的匮乏仍然导致大部分的基因选择方法效果不佳,目前的研究方法主要集中于降维算法的改进,对于样本量方面的研究缺乏关注。针对上述问题,本文利用基于生成对抗网络(GAN)与群智能算法(SI)结合的方法进行基因选择,该方法通过生成样本提高基因表达谱数据集的样本量,并通过群智能算法优秀的搜索性能获取更优的基因子集,为基因表达谱数据的研究工作提供了一种新的思路。本文的主要工作如下:(1)针对传统基因选择方法的缺陷,本文提出基于条件约束的生成对抗网络与二进制粒子群优化(BPSO)的基因选择方法(y-CGAN-BPSO-ELM)。该方法针对基因表达谱数据的特点,首先利用CGAN模型进行样本生成,同时在判别器模型中加入对条件变量y的约束项,提高生成样本的真实性与多样性,最后对样本增加后的数据集以BPSO算法进行基因选择,以超限学习机(ELM)的分类结果指导选择过程。在多个基因表达谱上的实验结果证明,该方法能有效生成表达谱样本,并选择出具有较高分类准确度的基因子集。(2)针对生成模型在多分类问题中,出现的模式崩溃、收敛过慢及收敛至局部最优的问题,提出基于双重判别器的CGAN与群智能优化的基因选择方法(DDCGAN-ABPSO-ELM)。该方法在GAN模型的基础上提出具有双重判别器(Double Discriminator)的生成模型,利用两个判别器设置生成样本的真实性与多样性权重,获得具有更高真实度且分布更均匀的基因表达谱样本,随后结合粒子群算法(PSO)与人工蜂群算法(ABC)的搜索优势,通过种群共享机制提高基因选择时的搜索范围与收敛精度。在多个二分类及一个多分类的基因表达谱数据上的实验结果证明,该方法能够同时解决基因表达谱维度高、样本量少的问题,生成具有更高真实性与多样性的样本,选择出分类性能更高、相关性更强的基因子集。(3)基于本文所提算法,设计并实现了基于生成对抗网络和群智能优化的基因选择系统,实现了利用不同的基因选择方法对不同的基因表达谱数据集进行特征选择,并展示选择的基因子集及其分类性能。