随着影像基因组学和机器学习方法等多种领域的交叉学科的发展,为利用不同类型的多种模态数据融合分析,以协助一些复杂疾病的诊断和预后,提供了重要的理论依据和现实价值。精神分裂症作为具有遗传性的一种复杂精神类疾病,其病因受不同因素的影响,对精神分裂症的分类学习任务受到越来越多研究者的关注。结合机器学习的相关算法和生物医学中的组学数据的多模态数据融合分析,为精神分裂症的分类研究提供了可靠的思路和方法。然而,大多数现有方法是对单个模态上的数据进行特征选择,没有形成数据间系统的关联,忽略了模态与模态之间的固有结构信息。为此,本文提出了一种多模态数据融合算法,充分利用多模态数据中的相互关系,通过分析同构网络的多重关系和异构网络的交互关系设计数据融合方法,进一步提升对精神分裂症分类的准确率,最终,本文提出的模型分类准确率达到83.21%。主要研究内容及任务为:（1）利用多模态数据融合方法集成了来自多个模态关联数据集的相关信息,传统的单模态数据分析会丢失原始数据的重要信息,从而影响到后续特征提取过程,克服了单一模态的局限性。本文在联合特征学习模型的基础上设计一种新的多模态数据融合模型,实现跨模态的特征提取,充分利用多组数据之间的结构关系,进而提高分类性能。（2）通过建立相似度矩阵来表示多个模态数据之间的相似关系,将模态内部信息与模态之间的结构信息充分利用。利用基于一种高斯径向基函数的方法构建模态内部样本与模态之间样本的相似度矩阵,整合多个模态的相似度网络,对缺失的网络结构进行相互补充,加强多个数据共有的网络结构,利用多模态数据网络中存在的同构网络多重关系和异构网络交互关系设计多模态联合学习模型。（3）对模拟数据集和真实数据集均进行了所提出方法的验证。结果表明,在精神分裂症的分类中,本文提出的多模态数据融合算法优于其他竞争方法,提高了精神分裂症的分类准确率。同时本文还利用模型进行精神分裂症相关标识物的检测,揭示了与精神分裂症密切相关的风险基因,环境因素和大脑异常区域之间的显著相互作用,为精神疾病的机理研究和临床诊断提供重要理论支持。