精准识别癌症患者的分子亚型对癌症的个体化治疗、靶向药物研发和预后分析具有重要意义。大规模多组学数据和基于数据驱动的方法能够促进对癌症分子分型的理解和预测。现有大多数基于机器学习的方法通常依赖于单一组学数据,而未能整合多组学数据为分子分型提供更全面的信息。一些基于神经网络的方法,考虑了分子分型的复杂非线性,但忽略了基因特征筛选和样本之间的关系。图神经网络能够利用样本相似性图中样本之间的信息传递和聚合来学习样本表示,但未能考虑样本相似性图的构建是有噪声的。针对上述关于癌症分子分型任务现有的缺陷,本文提出了一种新的基于HSIC Lasso的鲁棒图卷积神经网络框架（R-HGCN）。基于该框架,本文整合基因表达、单核苷酸变异（SNV）和拷贝数变异（CNV）数据将其应用在乳腺癌（BRCA）和胃癌（STAD）亚型识别任务上。首先应用HSIC Lasso选择分子亚型相关的转录组特征,利用这些特征构建低噪的样本-样本相似性网络。然后,将选择的基因表达、单核苷酸变异和拷贝数变异数据作为输入,学习样本的多视图表示,从更全面的视角,深刻的理解生物过程和复杂疾病。在此基础上,R-HGCN通过GNNGUARD分配权重,基于重要性评估和分层图存储进一步加强新特征与图之间的关联。R-HGCN赋予相似节点更高的权重,目的是在图卷积神经网络（GCN）中有效消息传递,提升模型鲁棒性。最终,建立一个鲁棒的图卷积神经网络模型,通过聚合子图来获得样本的新表示,并预测样本的亚型类别。在乳腺癌和胃癌数据集上的实验结果表明,R-HGCN的亚型分类性能优于现有的其他方法。本文还通过三个消融实验评估特征选择、单核苷酸变异数据和拷贝数变异数据对实验结果的影响。消融实验结果表明以上三个组件对于癌症亚型分类都是必要的。此外,进一步识别出每一种癌症亚型的生物标志物并进行富集分析。识别的亚型特异性生物标志物与当前的临床共识高度一致,有望帮助精准诊断和靶向药物研发。