目的：代谢组学数据具有高维、小样本的特性，其中既有对分类起作用的差异变量，同时包含大量相关的无差异变量，如果利用偏最小二乘方法进行分析，则由于相关变量的影响，使差异变量分散在多个主成分上，当主成分个数大于3时，无法更好地进行可视化，本研究针对上述问题，采用正交偏最小二乘(OPLS)方法进行代谢组学数据进行判别和可视化;另一方面，在代谢组学数据判别分析中，自变量X和分类变量Y之间通常存在非线性相关关系，此时可以采用核正交偏最小二乘(K-OPLS)方法对非线性相关关系的代谢组学数据进行分析。　　方法：在介绍OPLS方法原理的基础上，通过模拟实验验证OPLS方法的特性、适用范围及其在可视化方面的优势;研究K-OPLS方法的原理，利用模拟实验探索K-OPLS在处理线性关系和非线性关系时相比OPLS方法的优势。使用R语言编程实现OPLS方法，通过模拟实验探索OPLS在不同情况下与PLS方法进行的区别与联系，包括R2Y，Q2和可视化效果的比较。使用R语言实现K-OPLS判别分析，通过模拟实验研究该方法的非线性特性。通过真实的代谢组学数据验证OPLS和K-OPLS在处理高维数据中的有效性。　　结果：⑴OPLS方法能够移除X变量中与Y变量不相关的变量，使有差异的变量集中在第一个主成分中，模型变得简单和易于解释，更好地实现结果的可视化。⑵当无差异变量相关程度不高时，PLS方法能得到较好的效果，此时应用OPLS方法分析结果差别不大，我们可以任选PLS或者OPLS中的一种方法对数据进行分析。理论上讲，从判别角度看，由于PLS可以利用多个主成分，而OPLS仅使用了一个主成分，可能有些较弱的差异变量被当作正交成分被剔除，使实际判别效果略为变差。当无差异变量相关程度较高时，利用OPLS方法的效果由于PLS。⑶用OPLS方法和PLS方法分别对卵巢癌癌代谢组学数据进行了分析，结果显示OPLS方法可视化效果优于PLS方法，同时具有较高的判别能力，与模拟试验的结果相一致。⑷当数据间存在非线性关系时，K-OPLS与传统的线性OPLS相比，不仅增加了模型的预测能力，同时具有较好的模型拟合效果，通过绘制两种方法的得分图，可以看到K-OPLS可以较好的将两类数据分开，而应用OPLS进行分析时，其Q2较低，并且可视化效果不好。当数据间存在线性关系时，应用K-0PLS和OPLS方法的效果基本相同，两种方法的预测能力和分类能力基本相同。我们可以任选其中一种方法进行分析。⑸通过应用实际代谢组学数据进行分析，可以看到应用K-OPLS方法进行分析时，与OPLS方法比较，模型的预测能力(Q2)有所增加，同时可视化效果较0PLS好。　　结论：0PLS能够有效去除自变量矩阵X中与因变量Y无关的信息，使模型变得简单、易于解释，同时具有较好的可视化效果，可有效地用于代谢组学数据分析。K-OPLS可以处理非线性关系的数据，在特征空间内可以分离与Y相关成分和非相关成分，与OPLS相比增强了预测能力，具有较好的可视化效果。在实际代谢组学数据研究中，可以根据不同的研究目的选择不同的分析方法。