癌症是一种全球性的致命的疾病,近几年癌症发病率急剧上升,中国面临的问题更加突出。随着计算机科学和机器学习技术的迅速发展,计算机辅助癌症检测起到了越来越重要的作用。近年来,基因测序技术也取得了重大的突破,人们已经取得了越来越多的癌症组学数据。利用机器学习方法挖掘组学数据中的重要信息,研究各种类型的组学数据与癌症发生和发展的关系成为当今的研究热点。本文从RNASeq数据和DNA甲基化数据入手,旨在探索机器学习和深度学习方法在癌症组学数据分类问题中的应用。针对RNA-Seq数据,本文通过搭建深度卷积神经网络,进行癌症诊断研究与癌症类型预测,并在乳腺癌、胃癌、肺腺癌三个癌症数据集上对设计的模型进行验证。实验结果表明,相比传统机器学习方法,基于深度卷积神经网络的预测模型能够通过多层的非线性变换提取出更加抽象的特征,在癌症基因表达数据分类任务上取得了更加准确的预测效果,准确率和召回率均有提升。对于DNA甲基化数据,虽然深度卷积神经网络在特征提取上有优势,但是由于临床癌症甲基化数据集样本特征维度高、样本数目较少,直接设计大规模的卷积神经网络容易过拟合。对此,本文搭建了一个融合浅层机器学习方法与卷积神经网络的模型对DNA甲基化数据进行预测,并在肺腺癌、肝细胞癌、肾透明细胞癌三个癌症数据集上进行癌症类型预测与癌症诊断研究。实验结果表明利用机器学习方法能有效挖掘DNA甲基化数据与癌症发生发展的关联,而融合浅层机器学习方法与卷积神经网络的模型克服了传统机器学习方法分类性能不佳和深度卷积神经网络对训练样本需求量大的问题,结合了两者的优势,在DNA甲基化数据分类任务上取得了更好的结果,多项性能指标均有提升。简言之,本文的实验结果表明利用机器学习和深度学习的方法能有效的挖掘RNA-Seq和DNA甲基化数据与癌症发生的关联,为癌症的诊断提供了新的思路。