随着数据的爆炸式增长,数据的复杂程度不断提高,基于多源数据的信息挖掘技术已经被广泛应用于生物特征识别、计算机辅助疾病诊断等领域。多源数据按同一数据集是否采集于不同源分为多模态数据和多中心数据。其中,针对多模态数据的学习旨在挖掘并处理多个模态下数据的不同信息从而获取更鲁棒的特征表示。多中心数据学习任务的关键在于,针对一些单个站点（医院）数据量小而容易过拟合的问题,利用合适的方法减小不同中心之间数据分布的差异。本文基于机器学习领域的一些研究,结合多中心和多模态学习中存在的一些的问题,开展相应的研究工作。具体地,本文主要工作如下:在多模态学习方面,大多数现有方法往往仅考虑两个模态之间的相关信息来获取公共空间表示,而忽略了多个模态之间的信息。因此,这些方法通常无法直接处理两个以上模态的公共空间表示问题,只能通过计算多组数据之间的两两相关性来间接获得公共表示,这样是很费时费力的。为了充分挖掘多个模态之间的相互信息,并获取深层次的公共空间表示,我们提出了一种基于深度学习的多模态公共空间表示学习的方法,并将其应用于多模态掌纹识别问题。实验结果表明,该方法在多模态识别问题上有着不错的效果。另外,现有的多模态学习方法很少同时关注模态内和模态间的信息,本文因此提出了一种基于鉴别子空间学习的多模态融合学习方法,不仅考虑到了模态间的信息,同时保留了模态内部的结构信息,并将其应用于阿尔兹海默症诊断。所提出的方法通过模态独有和共享的字典学习保留了模态间和模态内部的信息,同时通过低秩表示和图嵌入方法来增强模型的鲁棒性和鉴别性。在阿尔兹海默症数据集（ADNI）上的诊断实验结果表明,我们提出的方法在阿尔兹海默症的诊断中具有有效性。医学疾病诊断任务都会受制于样本量小的问题,然而由于采集设备和参数等不同,不同医院的数据又无法直接混合训练。因此,多中心诊断任务有着很重要的意义。传统的方法通常是在单个中心进行诊断任务,因此会导致模型的效率低下且鲁棒性较差。多中心诊断旨在从多个中心学习一个公共模型,然后在新的中心上使用该模型进行测试。本文提出一种基于低秩表示的多中心疾病诊断方法,利用基于低秩表示的域自适应方法将多个中心映射到一个公共子空间,同时通过图嵌入的方式将中心内部和中心之间的信息保留。在五家医院的多中心精神分裂症数据集上的实验结果表明,该方法在多中心精神分裂症诊断任务中取得了优异的分类结果。