恶性肿瘤的高发问题严重影响人类健康,而早诊早治则可以有效地降低恶性肿瘤死亡率。由于我国医疗资源总体不足,十分需要人工智能技术辅助提高医生的诊疗水平与工作效率。近年来,基于深度学习方法的肿瘤诊断技术取得了较大发展,但大多数方法只能处理标准的欧氏数据,而在诊疗过程中,医生通常需要综合利用临床病理特征、影像学检查、血清学检查和基因等多模态数据对患者进行精准诊断。与其他方法相比,图卷积神经网络能够有效地处理多模态数据,具有更高的应用价值。然而,当前图卷积神经网络分类算法仍局限在肿瘤良恶性诊断等二分类应用,无法满足恶性肿瘤精细分期、分级的实际临床需求。因此,本文首先基于医学多模态数据开展图卷积神经网络分类算法研究,并在此基础上通过仿真实验验证设计算法在肿瘤诊断任务中的有效性。主要研究内容包括:（1）为充分运用多模态数据中的有效信息,开展多模态信息输入图的构建算法研究。肿瘤诊断任务的研究数据包括医学影像数据和描述临床病理特征的非图像表型数据。一方面,针对年龄、性别、肿块形态、组织钙化等非图像数据,通过筛选合适的表型信息构建总体图;另一方面,利用医学影像间的特征差异构建动态学习图,并通过损失函数优化图的结构。（2）为提升图卷积神经网络分类算法的性能,提出一种能够充分挖掘深层有效特征的多层信息聚合图卷积神经网络模型。通过设计多层信息聚合块优化模型的特征提取过程,并在抑制过度平滑的同时,结合多层特征为所有节点提供充足的邻域信息,进而显著提升模型的整体分类能力。（3）为解决肿瘤精准诊断的临床应用问题,综合运用提出的多模态信息输入图构建算法与多层信息聚合图卷积神经网络模型,设计一种通用的肿瘤诊断框架。通过综合分析两幅输入图的特征提取结果,提升模型的特征融合能力,进而有效提高肿瘤良恶性分类及临床分期、分级的准确率。实验结果表明,本文提出的通用肿瘤诊断框架能够充分运用医学多模态数据解决临床诊断问题,并在多个病种上表现出一定的泛用性。其在乳腺癌与自闭症谱系障碍的良恶性诊断任务中分别取得了98.6%与98.4%的平均分类准确率,而在乳腺癌的BI-RADS分级任务中,其平均分类准确率达到91.7%,与以往的深度学习方法相比,具有更高的实际应用价值。