肿瘤是一个对人类健康构成巨大威胁的难题,也是全球医学研究组织和公共卫生领域目前面临的重要挑战。步入科技飞速发展的二十一世纪,生物医学领域的众多精密仪器得到革新,高通量测序技术也有了质的飞跃,从而推动了多组学和多属性药物数据等多维度数据的产生。基于人工智能算法的多维度数据融合方法能够帮助科学家全面研究肿瘤发生发展的机制,探究相关生物分子之间的相互关系及其功能,用低成本、低耗时的方法解决生物医学研究中的抗肿瘤药物响应预测问题,从而辅助临床个性化疗法,解决肿瘤难题。然而多维度数据是复杂、高维和具有异质性的,如何从这些数据中提取有价值的信息并将其用于生物医学问题的解决,成为了目前较大的挑战。本研究针对肿瘤相关多维度数据融合技术及应用进行研究,评估了目前具有代表性的基于深度学习的多组学数据融合方法,同时提出了两种具有一定可解释性的机器学习方法,助力抗肿瘤药物的敏感性预测和协同作用预测等药物响应预测研究,帮助临床医生更好地为患者制定个性化治疗方案。首先在本研究的第二章节部分对近年来基于深度学习的肿瘤多组学数据融合方法进行了全面的调研和总结,将这些方法归为了六大类。同时建立了一个基准的评价方法,从这六大类方法中选取了有代表性的十六种模型,并将其分为有监督模型和无监督模型,利用有监督模型来执行分类任务,无监督模型执行聚类任务,在三大不同类型的肿瘤多组学数据集上分别用各自的评价指标对模型的数据融合能力、特征表示及可解释性能进行评估,最后引入统一的评价分数对每个模型打分,为生物信息学家提供多组学数据融合技术方法选择指导。接下来在第二章节的基础上,本研究的第三、四章节部分对肿瘤多组学数据融合技术进行了扩展和应用。首先,在组学数据的基础上加入了抗肿瘤药物的分子指纹、理化性质等的多属性药物特征数据,提出了一个包含多组学数据和多属性药物数据的多维度数据集,利用人工智能计算方法在此数据集上进行抗肿瘤药物响应预测研究,为个性化治疗提供指导。在本研究的第三章节提出了一种基于深度森林算法框架的模型CSDF（Cascade Synergistic Deep Forest）来进行抗肿瘤药物敏感性预测,致力于减轻患者治疗负担、为临床医生提供更具体有效的个性化治疗方案。这是一种用于抗肿瘤药物敏感性预测的多维度数据融合算法,基于深度森林框架设计双重数据级联协同结构算法,构建增强特征并实时调整训练样本,并辅以加权决策。增强特征能够强化各层学习器对药物数据的学习,根据数据分布以及训练误差实时调整训练样本的策略能够增强模型对具有重要意义的小类样本（协同类）的识别精度。此外,该模型以决策树为基础单元进行集成,保证其具备良好的可解释性基础。与此同时,本研究的第四章节建立了一种基于遗传规划算法的模型GPFE（Genetic Programming-based Feature Establishment algorithm）来进行抗肿瘤药物协同预测,致力于提高治疗效果、减少药物耐药性和毒副作用,为个性化治疗提供依据。这是一种用于抗肿瘤药物协同作用预测的多维度药物数据融合算法,应用二元运算符构造药物特征对,设计双层特征选择算法用于抽取高价值特征,构建兼顾模型性能与差异度的集成规则。特征构造方法将两种药物特征数据关联起来,使模型能够更好地适配多药物协同作用预测问题。在双层特征选择算法结构当中,第一层用于去除冗余特征、增强模型泛化能力,第二层基于遗传规划算法从不同维度数据中提取重要特征,在预测任务中实现多种异构维度数据协同推理,同时保证了特征提取过程的可解释性。本研究设计的集成规则通过提升基学习器性能和丰富基学习器多样性来提升集成效果,进一步提高模型精度。