随着数据浪潮席卷世界,新兴的数据问题给传统数据挖掘技术带来了很大的挑战。首先是数据来源的多样性,比如针对同一疾病的电子病历数据可能来源于不同医院,再比如房地产交易数据也可能来源于不同社区等。虽然这些数据是针对相同或者相似任务收集的,但是由于测量环境、测量标准或统计口径等因素的差异,存在不可忽视的异质性。其次是数据的高维与稀疏性,大数据的价值密度低,任何有助于解释的微小信息都将被收集起来,在建模时需要对信息提纯去噪。为了改进已有研究对复杂多源高维数据集建模的局限性,本文参考前人方法,提出了一种新的思路。针对异质性问题,我们可以利用数据源间的相关信息来减轻整合任务的复杂性;同时为了解决数据的高维和稀疏问题,可以将变量选择方法与整合分析方法结合,以适应高维情况。据此,本文提出融合多源高维数据的snMCP（sparse network Minimax Concave Penalty）-Logistic 模型,将网络结构引入整合分析中,对于有网络连接的数据集的模型系数施加Network MCP惩罚项来自动识别同质数据和异质数据,并利用MCP惩罚项筛选每个数据集的重要变量,能同时实现各个数据源的模型估计和聚类。针对大型复杂目标函数,本文推导了相应的 ADMM（Alternating Direction Methodof Multipliers）算法用于分布式求解优化问题。通过三组不同的数值实验,尽量模拟真实条件下的数据集,使用参数估计、变量筛选和分类效果三类评价指标作为判断标准,与snLasso-Logistic、局部模型（Local MCP-Logistic）、全局模型（Global MCP-Logistic）进行对比,来验证所提方法的效果。模拟实验表明所提方法在特征选择、参数估计和分类预测准确率上都有良好的表现。在实证分析方面,本文选择具有397个来源的异质性房地产租赁评价数据进行分析,利用经纬度位置信息构建数据源间的网络结构,建立snMCP-Logistic模型。实证结果表明,本文所提方法能有效利用地域因素产生的异质性,提高模型的分类能力,不仅得到的AUC指标在所有模型中最高,而且可以针对不同区域位置给出相应的重要变量集合,提高了模型的解释力度,增加了今后数据收集工作的针对性,展示了本文所建立方法在实际应用上的良好表现。