随着物联网、社交网络以及电子商务等领域的快速发展,数据的模态也越来越丰富多样,怎样通过不同模态数据间的互补学习来挖掘数据中隐藏的巨大价值,受到了许多学者的关注。数据融合方法是多模态数据分析与挖掘的重要手段,有重要的研究价值和应用价值。本文关注基于超图的多模态融合算法。近年来,超图学习由于可以对样品的高阶关系进行建模并能够融合多模态特征,已经引起了许多研究者的关注。然而现有的多模态超图算法仍然面临两个问题:怎样根据多模态数据构建超边和怎样在不同模态数据之间分配权重。针对上述问题,本文提出了一种自适应多模态超图学习算法,并在图像分类领域对这一算法进行验证。这一算法采用多k值的KNN方法来构建超边,能够更好地描述不同模态的特征,使得模型在具有更高精度的同时也拥有较强的稳定性。随后,提出了一种自适应的权重更新算法,能够根据训练集的初始标签矩阵重新分配超边的权重,在保留了全部多模态数据的同时充分发挥不同模态数据之间的互补性。最后在两个图像数据集上对算法进行了测试,验证了本文所提出的算法能够有效提升模态融合的效果,得到更好的分类精度并具有更好的稳定性。最后,本文将基于超图的多模态融合方法应用于土地重金属数据中,利用超图强大的多元复杂关系展示能力和多模态特征丰富的数据观测维度来处理土地重金属污染溯源的问题。在基于实际数据的实验中,也展示了多模态超图算法相较于传统方法的优势,验证了其在实际应用中的价值。