在人类基因组计划业已完成的当下,随着测定技术不断发展而产生的海量多组学数据为我们认识生命提供了崭新的视角。利用多组学数据进行整合分析,既是为了增加对同一研究问题的证据来源,更是因为单一组学难以准确描述精细复杂的生命活动。聚类是数据挖掘的主要技术之一,利用多组学数据进行聚类分析,在疾病分型、精准医疗、药物研究等方面具有非常重要的现实意义。物以类聚,样本之间的相似度对于聚类算法的性能表现至关重要。本文从多组学下相似度的度量与融合这两个不同的角度入手,研究基于多组学数据的聚类算法。主要工作如下:第一,提出了基于度量学习的多组学聚类方法MMEC。首先通过在多组学数据上进行集成聚类,获取可信度较高的初步聚类结果。然后基于此结果在各组学上分别进行距离度量学习,优化样本间的距离关系表示。最后,利用优化后的距离表示,对多组学数据再次进行集成聚类,以得到最终结果。第二,提出了基于证据理论的相似度信念融合的聚类方法SBF。首先将从不同组学数据中获取的相似度,转化为对相似关系的信念程度,再利用证据理论将这些来自不同数据来源的信念加以融合,得到综合考虑多组学信息的相似度矩阵。最后应用谱聚类算法得到最终聚类结果。在公共数据集上的实验结果表明,所提出的两种方法较之现有方法能够取得更具临床显著性的聚类结果。对癌症案例的分析表明,使用两种方法进行聚类划分的不同亚型人群之间临床指标区分明显。本文所提出的两种方法分别着眼于相似度的度量与融合,体现为多组学数据分析的后期整合与中期整合。MMEC方法相比于现有方法能够取得更优的结果,而SBF方法在多种癌症上均表现良好,并且计算复杂度远低于MMEC。实验结果表明了基于多组学数据的聚类算法的有效性。