癌症组学数据通常是不易挖掘的高维小样本数据,而癌症的一些关键信息隐藏在这些高维数据中。为了挖掘这些数据中的关键信息,对其进行有效降维是必要的,这也成为诸多研究的热点。在生物信息学中,特征选择是一种被广泛运用的降维方法,如联合嵌入学习和稀疏回归方法（Joint Embedding Learning and Sparse Regression,JELSR）,但传统的特征选择方法在分析癌症数据时存在弊端:基因组数据中存在的大量噪声值和冗余值会降低算法的稀疏性;计算误差值的平方项会增大算法对噪声值和异常值的敏感度并降低算法的性能;传统方法使用的数据集通常是单个视图而忽略了其他视图对数据的影响,同时该方法的常规项采用稀疏回归约束,忽略了数据的固有结构。因此,针对传统方法中存在的问题,本文基于JELSR模型,分别从以上三个方面对传统方法的稀疏性、鲁棒性等性能方面进行了改进,同时可以进一步选择更有效的致病基因,主要包括以下研究:（1）提出一种基于联合约束的JELSR模型（LJELSR）。该模型引入了₁L范数与原有的L_2,1范数形成联合约束,从而增强矩阵行列之间的关联性,提高算法的稀疏性;基于该模型的特点给出一个新的迭代算法来获得收敛解。实验结果表明,LJELSR与先前方法在识别差异表达基因和样本聚类方面相比取得不错的效果,而且选择出的独有差异表达基因可能在医学研究中具有重要价值。（2）提出一种基于L_p范数的JELSR模型（RJELSR）。该模型引入了L_p范数约束替代原有的平方约束,降低算法对噪声值和异常值的敏感度,使得算法更加鲁棒健壮;基于增广拉格朗日乘子法给出有效的优化策略;对不同的癌症数据进行预处理以获得整合数据,再将新方法应用到整合数据中进行特征选择和聚类分析,结果表明实验选择的特征基因更具有生物学意义。（3）提出一种多视图联合稀疏低秩回归和嵌入学习模型（MJSLRE）。该多视图模型充分考虑到癌症的不同类型信息,而且在目标函数中引入稀疏低秩回归约束,保留了数据的固有结构,提高了子空间的学习效率及算法的鲁棒性。实验结果表明,MJSLRE方法在不同的多视图基因组学数据中挖掘出更具有医学参考价值的致癌基因,并且聚类分析的效果亦优于其他对照方法。