癌症高居國人十大死因之首，由於癌症初期病患接受適時治療的存活率較高，因此若能「早期發現，早期診斷，早期治療」則可降低死亡率。本研究主要針對「表面強化雷射解析電離飛行質譜技術」(Surface-Enhanced Laser Desorption / Ionization Time-of-Flight Mass Spectrometry，SELDI-TOF-MS)所蒐集而來的攝護腺癌症蛋白質質譜之事前處理資料進行分析。目的是希望藉由Meta-Learning的方式結合分類器，並以逐步特徵選取之，期望以較少且具代表的特徵變數將資料分類，以達到較高的正確率。本文利用正確率決定逐步特徵選取時變數加入的順序，並進一步以Elastic Net與判定係數作為特徵變數排序依據，以改善變數間共線性高的問題。並且考慮投票法(多數表決法與權重投票法)以及串聯法(cascading)：多個分類器串聯與單一分類器串聯。研究發現，以判定係數刪選特徵變數加入的先後順序並以支持向量機(Support Vector Machine，SVM)串聯的特徵選取結果在各分類下皆有良好表現，為較佳的特徵選取方式。 關鍵字：特徵選取、串聯法、蛋白質質譜、meta-learning、支持向量機