随着高通量测序技术的发展,生物组学数据呈井喷式出现。对癌症组学数据进行深入研究可以挖掘到癌症发展过程中的重要信息,为癌症的诊断和治疗提供理论依据。癌症组学数据通常具有高维小样本的特点,整合的非负矩阵分解（Non-negative Matrix Factorization,NMF）方法可以对数据进行联合分析,从而发现多种类型数据之间的潜在关联。针对现有整合方法存在的流形学习能力不足、模型同质效应较差和数据异质性融合不充分等问题,本文对整合的NMF方法进行了改进,并将其成功应用于多癌基因组学数据,具体的研究内容如下:（1）为了解决现有模型流形学习能力不足的问题,提出了整合超图正则化非负矩阵分解（iHNMF）方法。使用超图正则化项可以更好地保留多维组学数据的空间结构,有利于保留数据的全局特征。另外,将单一模型扩展为整合模型可以更好地对多维组学数据进行分析,有利于发现数据之间的潜在关联。为了验证iHNMF方法的有效性,首先利用该方法在多癌基因组学数据集上进行了样本聚类和基因共表达网络分析实验。然后,提出了一个新的基因重要性度量指标,对网络中的基因进行筛选。最后,根据现有文献对筛选得到的基因进行了验证并给出了相关生物学解释。（2）为了进一步提高整合模型的同质效应,提出了整合鲁棒结构化非负矩阵分解（iRSNMF）方法。该方法中的结构化项可以使数据中的基础聚类结构更加一致,从而保留多维组学数据的同质性。另外,该方法使用L2,1范数来降低原始数据中噪声和异常值的不良影响。为了验证iRSNMF方法的有效性,本文进行了聚类和网络分析实验并对挖掘到的重要基因和通路进行了分析和验证。（3）为了充分地融合组学数据之间的异质性,提出了整合加权非负矩阵分解（iWNMF）方法。该方法可以同时考虑多维组学数据之间的同质信息和异质信息。为了验证iWNMF方法的有效性,本文进行了多癌样本聚类实验。另外,使用该方法构建了基因共表达网络和功能分组网络,对网络中的重要基因进行了分析和验证。最后,对基因涉及的生物过程（Biological Process,BP）和京都基因与基因组百科全书（Kyoto Encyclopedia of Genes and Genomes,KEGG）通路进行了富集分析。实验结果表明,本文所提方法的聚类性能要优于其它对比方法。此外,利用上述方法来构建基因共表达网络能够挖掘出癌症发生过程中的关键基因和通路。