随着人类基因组计划和其它物种基因组计划的启动与实施,人类在生物大分子的序列、结构与功能等生命科学领域积累了大量数据。对于这些数据的挖掘研究,不仅有利于完善现有的稀疏建模理论体系,还会对癌症的预防和治疗产生积极的影响。本论文基于这一背景,研究生物测序数据的稀疏建模方法,研究重点是基于回归的矩阵分解方法的研究及在测序数据中的应用,包括:（1）将L_2,1范数稀疏回归方法应用到生物测序数据中,使其能够获得较好的差异表达基因的稀疏鉴别结果;通过对目标函数的规则项添加L_2,1范数约束,达到稀疏降维的目的,使用该算法可以解决主成分分析时产生的变量不易解释的现象,使所求结果易于解释且方便提取关键基因。通过将主成分分析法转化为一个回归类型的问题,在回归系数上加范数约束获得稀疏载荷,并提高执行效率,从而准确且高效的识别特征基因。（2）提出了基于多属性稀疏低秩回归的方法:该方法对线性回归方法进行了稀疏和低秩约束,通过施加L_2,1范数约束,使特征基因具有行稀疏的特性,通过低秩约束,使数据各行或列之间存在相关性,从而可以将该矩阵投影到更低维的线性子空间中。另外,将稀疏回归算法中加入标签信息,提出了低秩回归算法,并且应用多属性的数据来对癌症进行整合性分析,使最终的结果具有更为显著的生物学意义,提高分类和识别特征基因的准确性。（3）提出了多属性双范数约束回归方法:该方法对目标矩阵同时施加L_2,1范数和迹范数约束,并将其应用在生物测序数据中,可以较好地分析数据,提高特征选择和数据聚类的准确率。为了使稀疏回归问题可追踪,在稀疏算法中添加迹范数惩罚项,利用迹范数是凸问题,具有良好的收敛性能,可以获得唯一最优解。该算法能够处理未知训练集的样本外数据而直接获得矩阵的低维表达,对高维数据的分析有一定的优势,能够有效提高计算和聚类精度。本文的研究成果既能够补充稀疏性回归的建模理论,又能完善生物测序数据的分析方法体系,为下一步研究生物疾病、完善现有的基因学理论体系奠定坚实的基础。