癌症亚型识别在揭示疾病发病机理和推进个性化精准治疗方面起着重要的作用。高通量测序技术的快速发展使同一组癌症患者的多种基因组学数据如mRNA表达数据、miRNA表达数据和DNA甲基化数据的收集成为可能。多组学数据可提供不同分子水平的患者遗传信息,通过提取多组学间的关联和互补信息,可以帮助准确识别癌症亚型并对相似患者聚类,从而根据患者实际情况制定治疗方案,避免无效治疗和过度治疗。因此,基于多组学融合进行癌症亚型预测研究对于精准医疗的发展具有重要意义。本文主要研究多组学的表征学习和融合学习方法,以提高癌症亚型的预测精度。本文的主要工作内容如下:（1）蛋白质的表达依赖多个基因互相协作,而目前许多多组学表征方法将每个基因视为独立的个体,忽略了基因间的相互作用,导致对组学特征信息提取不准确、不充分,影响了组学的表征效果。针对这个问题,本文将本实验室提出的基于基因相互作用的单组学表征模型HiGCN扩展到多组学表征学习,通过引入外部知识数据库中的基因间相互作用来补充组学信息,然后利用图卷积神经网络对组学数据建模,并在多组学融合模型MOGONET基础上,设计了基于基因相互作用的癌症亚型预测模型HiNet。在TCGA的多个公开癌症数据集上的实验结果表明,引入基因间相互作用信息可以帮助获取更好的组学表征。（2）组学数据具有高维度小样本特性,而多组学融合则会进一步放大该特性,导致严重的维度灾难问题,使得对癌症亚型预测效果不佳。针对该问题,本文提出了基于样本相似性的多组学表征学习方法,通过计算样本间相似性来获取样本间的关联,然后利用图卷积神经网络对样本进行信息聚集,并设计了基于该表征方法的多组学癌症亚型预测模型TeNet。实验结果表明,考虑样本间相似性可以帮助缓解维度灾难问题,获得更好的组学表征,提高模型的预测精度。（3）多组学的有效融合需要同时考虑单组学内在特性和多组学间的关联,但是现有的融合方法在融合过程中存在单组学内在特性丢失的问题。针对该问题,本文提出了改进的视图关联发现网络——iVCDN融合方法,并结合第三、第四章的改进,设计了基于iVCDN的多组学癌症亚型预测模型HiTeVNet,该模型根据每个组学的数据特性,采用不同的方法先对单组学数据进行表征和初步预测,再利用iVCDN对初步预测结果进行融合,在融合的过程中补充了丢失的单组学信息。本文在公开数据集上对HiTeVNet模型进行了对比实验,并通过组合实验探究各种组合模型的性能,最后进行了识别重要生物标记因子的实验。实验结果表明,补充丢失的单组学信息有助于改善多组学融合效果,从而提高模型的预测精度。