癌症亚型的识别对个性化医疗的应用具有重要意义。它致力于使用无监督聚类方法将癌症患者划分为不同的亚型,并为后续的治疗方案提供有价值的参考。近年来,随着测序技术的快速发展,其产生的丰富的多组学数据为在整体水平上发现癌症亚型带来了前所未有的机遇。然而,由于测序技术的限制,组学数据中往往包含大量的噪声。此外,尽管测序成本在不断下降,但仍然难以覆盖大量的样本,这使得目前的组学数据大都呈现出高维小样本特点,并包含大量的冗余特征。因此,如何有效整合这些异构组学数据,并揭示潜在的癌症样本类别仍然是一个具有挑战性的任务。针对上述问题,本文提出了两种算法,具体内容如下:（1）提出一种基于多视图子空间聚类和自适应近邻学习的癌症亚型识别算法。该算法将低秩子空间表示学习和自适应近邻学习整合到一个统一的框架中,首先通过低秩子空间学习为每个视图下的癌症样本生成一个自表示矩阵。随后,基于该特征表示,采用自适应近邻学习策略得到全局的相似性矩阵。此外,算法在更新过程中还能够自适应的调整各个视图的权重。最后,算法设计了一个有效的增广拉格朗日乘子算法来优化所提出的框架。在癌症数据集和图像数据集上的实验结果证实该方法的有效性。此外,本文以黑色素瘤进行了案例研究,并提示了不同亚型间生物分子功能存在的差异。（2）提出一种基于稀疏表示和自适应近邻学习的癌症亚型识别算法。该算法首先通过稀疏降维来降低每个组学数据中噪声及高维冗余特征的影响。随后,基于该稀疏表示,算法采用自适应近邻学习策略得到全局的相似性视图。特别地,算法利用局部约束线性编码来获得局部更加平滑的稀疏表示,从而保证具有相似特征样本的稀疏表示也是相似的。最后,算法设计了一种快速有效的迭代优化策略对目标函数中的变量进行求解。在癌症数据集上的实验结果证明了该方法的有效性。