近些年,越来越多不同来源的数据被挖掘、收集和处理。一方面,多种来源的数据能够提供不同尺度的信息,从而更容易探索事物的发展与本质。另一方面,数据的维度也会越来越高,成为一个典型的小样本、高维数据。这种数据中的信息会更加复杂,同时噪音也会越多。最近的研究表明,多模态数据融合技术可以结合来自不同来源的信息,对复杂的多源数据进行有效的挖掘和利用。与单一模态方法相比,通常可以提高准确性。然而,现有的许多数据融合方法都是从同构网络中提取特征,忽略了多模态间的异构结构信息。为此,本文中提出了一个超图正则化的多模态数据融合算法。主要工作原理如下:首先,提出一种超图稀疏学习模型在模拟数据中对比不同超图构建方法的好坏。具体来说,生成一个超图相似性矩阵来表示样本之间的高阶关系,分别结合稀疏模型在模拟数据中进行分类。实验证明,我们提出的算法优于其他的算法。分类性能更好。其次,稀疏模型仅考虑了模态内的高阶关系,但是对于模态之间的潜在关系并未考虑。因此,在此基础上提出了一种超图正则化的多模态融合算法。保留模态间的样本关系和模态内的样本关系。最后,应用我们的算法在模拟数据和真实数据中测试验证。本文采用的真实数据是医疗影像和遗传数据集,包含SNP、DNA甲基化和f MRI核磁共振三个模态数据。SNP、DNA甲基化和功能磁共振成像是心理临床影像协会（MCIC）收集的,数据集包含183名受试者,其中79例精神分裂症患者（年龄:34±11,女性20例）,健康对照组104例（32±11岁,女性38例）。实验结果表明,我们的算法优于其他几种竞争方法。