在信息时代,合理的处理和利用所获取的数据可以产生极大价值。如何充分挖掘这些多源数据信息,并通过数据融合对其进行分析从而得出决策,正是目前的研究热点。在这样的背景下,多源数据融合作为一项智能化信息处理技术,所发挥的作用至关重要。本文在当前主流矩阵分解算法的基础上,设计与实现面向多源数据的矩阵分解融合算法,应用数据融合来量化推断两个目标对象之间的关联关系。主要工作如下:（1）针对数据融合方法关联预测精度不高的问题,本文提出基于相似度的矩阵因式分解算法。首先对多源数据构建多类型关系网络,使用三因式协同矩阵把数据源间的多重关系分解为低秩矩阵,加入不同对象类型属性间的相似正则项,对目标函数进行求解优化,最后利用优化后的低秩矩阵重构关联矩阵,提升算法关联预测精度。实验结果表明,算法相比于现有的多源数据融合经典方法在关联预测上获得了更好的表现,在精度方面有一定的提升。（2）针对融合算法缺少对数据源的差异划分,本文提出一种基于加权矩阵因式分解的融合算法。在基于相似度的矩阵因式分解算法的基础上,该算法对异质数据源和同质数据源的关联网络引入权重,并使用正则项对目标函数进行平滑以防止过拟合,在求解过程对同质和异质网络的权重以及关系的低秩矩阵共同优化,最后重构关联矩阵以预测潜在的关联。实验结果表明,基于加权矩阵因式分解的融合算法相比于其他方法,提升精度降低误差率,反映了在数据融合方面,区分数据源差异有重要意义。（3）本文将基于加权矩阵因式分解的融合算法应用于生物医学领域,以多源基因疾病数据为基础,研究三种特定疾病与长链非编码RNA的关系。预测结果与数据库实证对比,表现出良好的预测能力,进一步证实了算法的有效性。