癌症是威胁人类健康的重要疾病之一。近年来,癌症的发病率呈现上升趋势,死亡率也一直居高不下。将同种癌症患者精确地划分成与临床结果显著相关的不同亚型,有益于临床上医生对患者进行有针对性的诊断和治疗,是推动精准医疗实现的重要手段。同时,准确的预后对于指导临床医生对生存期长短不同的患者制定合适的治疗方案有重要意义。传统临床上,主要根据临床特征如肿瘤大小、分级和分期等来判断癌症的亚型及患者的生存期。实际上,癌症是一种在分子水平上具有高度异质性的复杂疾病。随着新一代测序技术的进一步开展,癌症多组学数据得到了广泛的积累。然而不同组学数据的类型和量纲不同,且具有高维、冗余的特点,因此,如何有效地整合多组学数据,以更好地帮助癌症患者分型及预后,是目前癌症生物信息学研究领域中亟需解决的问题。本文围绕上述问题,提出了基于多组学数据整合的癌症分型及预后方法研究。具体而言,本文的主要贡献包括以下几点:（1）提出了一种基于网络整合体细胞突变与基因表达的癌症分型方法,该方法较其它方法在识别癌症亚型上有较好的性能。针对癌症的特异性,设计了一种通过引入癌症特异性网络间接整合体细胞突变和基因表达的癌症分型方法。在数据整合上,该方法考虑了癌症的特异性,首先为不同癌症利用其基因表达谱构建了该癌症特异的显著共表达网络（Significant Coexpression Networks,SCN）,然后将基因的体细胞突变映射到该SCN网络上进行传播,最后将传播之后的体细胞突变谱作为特征对癌症样本进行聚类。在聚类上,该方法采用了一种改进的网络正则化非负矩阵分解（Network-regularized Non-negative Matrix Factorization,net NMF）算法net NMF＿HC进行更精确的聚类。将该方法应用于卵巢癌（Ovarian cancer,OV）、肺腺癌（Lung Adenocarcinoma,LUAD）和子宫内膜癌（Uterine Corpus Endometrial Carcinoma,UCEC）数据集,结果表明,该方法成功地识别了与生存相关的癌症亚型,且对于本研究中的大部分癌症来说,该方法在识别与临床结果显著相关的有意义的癌症亚型方面,优于传统基于网络的分型（Network-based Stratification,NBS）方法。尤其是,该方法识别到了NBS未发现的与生存期显著相关的UCEC亚型。（2）提出了一种基于相关性整合基因表达与临床变量的乳腺癌分型方法,该方法较其它方法在识别乳腺癌亚型上有较好的性能。针对临床表型不同的乳腺癌样本具有差异的基因表达模式这一特点,设计了一种利用最大相关最小冗余（Maximum Relevance Minimum Redundancy,m RMR）特征选择方法将临床变量间接地整合到基因表达中用于乳腺癌分型的方法。该方法主要包括两个阶段:基因特征选择阶段和样本聚类阶段,其中数据整合处于基因特征选择阶段。该方法利用m RMR选择表达值与临床变量的相关性最强且其特征之间冗余度最小的基因集合作为特征,然后基于这些所选的基因表达特征使用K-means对乳腺癌样本进行聚类。与两种典型的仅基于基因表达的乳腺癌分型方法（微阵列预测分析（Prediction Analysis of Microarray 50,PAM50）和最高变异性（Highest Variability,HV））相比,该方法在识别与5年生存期和复发时间都显著相关的亚型方面优于其它两种方法。尤其是,该方法识别出了PAM50和HV都无法识别的与复发相关的乳腺癌亚型。此外,该方法还发现了与生存相关的三个Luminal A子亚型及两个Luminal B子亚型。（3）提出了一种基于多核学习整合体细胞突变的乳腺癌预后方法,该方法较其它方法在乳腺癌预后方面具有较高的准确率。针对体细胞突变对乳腺癌预后的作用及多组学数据高维、冗余的特点,设计了一种利用多核学习（Multiple Kernel Learning,MKL）整合体细胞突变等多组学数据对乳腺癌进行预后的方法。该方法首先利用m RMR特征选择方法分别为不同类型的组学数据选择与生存期相关性最大且内部冗余度最小的特征集合,然后采用多核学习MKL有效地将体细胞突变和目前常用的基因表达、拷贝数变异、甲基化和蛋白质表达等分子组学数据整合到乳腺癌预后模型中。实验结果表明,该方法比其它方法取得了较高的乳腺癌预后性能。通过比较不同组学数据模型发现,整合体细胞突变明显提高了乳腺癌预后准确率。通过比较不同特征选择方法发现,m RMR比本文其它特征选择方法的预后性能更优。此外,在多组学数据整合方面,MKL比其它传统分类器具有更优的预后性能。