癌症是威胁人类健康的重要因素之一,这类疾病治疗困难又极易复发,给患者和社会造成了巨大的负担。同时,随着高通量测序的发展以及二代测序的普及,生物医学的发展也步入了大数据的时代。众多癌症公共数据库的建立并开放获取,使得以大规模基因表达数据为基础的肿瘤生物信息学研究迅速发展。本文以基因表达数据为基础,对癌症进展阶段分类及泛癌样本分型的相关技术展开研究,主要研究内容和研究成果如下:（1）针对癌症进展阶段分类问题,本研究结合卷积神经网络与多头注意力机制,提出了一种用于处理基因表达数据的深度学习分类模型。此外,为了解决基因表达数据的高维度、异质性、噪声多、不平衡等问题,在模型训练前构建了一个数据处理流程,以获得适合模型训练的数据。实验结果表明,与对照算法相比本文模型在六个数据集中均具有最好的分类效果。（2）针对泛癌样本分型问题,本文首先提出了一种基于深度学习的特征降维模型,以获得表征能力强的特征。接下来,基于特征降维结果构建了一种泛癌样本的聚类方法,以实现对泛癌样本的分子分型。实验结果表明本文模型在泛癌样本聚类中表现出最好的性能,后续又通过生物信息学分析进一步证明了本文定义的泛癌类型具有良好的生物学意义。（3）为了进一步对癌症（包括传统癌症类型和本文定义的泛癌类型）中发挥作用的基因进行分析,本文结合Newman算法和传统K-means算法,提出了一种基因模块识别（基因聚类）算法。实验结果表明本文提出的算法具有最低的错误率,且其识别出的基因模块具有最高的生物学显著性。此外,还利用该算法识别出了泛癌类型中的基因模块,为进一步理解本文定义的泛癌类型提供了帮助。