数据采集越来越呈现出多源异构特性,在越来越多实际问题中存在着大量对应着多组数据源的样本,即多视图数据。特别是在医疗领域,医生在做出准确的临床诊断之前,往往需要通过多种方式和多个途径对患者的病情进行分析。而针对不同的病症,往往所做的一些临床检查也有所不同,并且对于一些难以确诊的病症,一种诊断途径或方式难以解决。因此,从临床角度来说,从多源医疗数据的分析更加合理并且有效的。深度卷积神经网络模型已被证实在各种医学图像计算任务上有卓越表现。然而,利用深度学习进行多模态数据分析存在着巨大的矛盾和挑战。一方面,深度模型对具有不同分布的测试数据的泛化问题仍然是一个主要挑战;另一方面,深度模型在监督学习设定下往往要求大量并且准确标记的训练数据用于训练,与耗时耗力的人工标注过程形成了一大矛盾,也对高昂成本的人工标注提出了巨大挑战。本文从多源学习的角度出发,提出一种基于多重约束的跨源无监督域自适应分割模型,通过学习和发现不同模态之间共同语义空间,从而提取域一致特性。在目标域无监督的条件下,该方法用于医学影像跨模态语义分割的知识迁移(例如MRI和CT),减少人工标注需求,提高模型的泛化能力。具体来说,该方法在三个层次限制域不变特征学习,使得卷积网络的适应目标域数据分布。在图像空间,利用生成对抗网络对图像空间学习一一映射,从而生成语义配对的跨模态数据用于训练;在特征空间,利用生成对抗网络和参数共享的自编码器图像重建网络相结合,从而使得不同模态的数据经过共享参数的编码器得到的特征空间最大程度的重叠;在语义空间,利用对抗训练的方法,使得不同模态的语义空间距离尽可能接近。通过以上多重的约束,不同模态的数据能够学习到一致的特性,最后在心脏跨模态分割任务上验证并取得了的良好的表现,并且通过详细的消融实验分析证明了各个约束的有效性。随后,提出一种基于多源数据融合的帕金森氏病药物推荐模型(Prescription vi A Learning l Atent Symptom,PALAS)以回答“计算机是否可以自动预测适合帕金森氏病患者的药物”,并从数据驱动分析角度为神经科学家提供参考。具体来说,基于运动和非运动症状记录集成基于特征和相似性的表示来设计多模式表示。根据分析观察到的症状与处方药之间存在较大的语义鸿沟,因此PALAS学习潜在的症状空间,以更好地建立二者之间的联系。此外,针对PALAS提出了一种有效的交替优化方法。为了验证该方法,收集了136名PD患者的数据作为支持,在该数据集上实验和评估证明该模型的有效性。并且对比了其他已有方法,证明了所提出模型能够准确为帕金森氏病患者提供合适的药物处方并表现出临床潜力。