国际疾病分类(ICD)是国际通用的疾病分类标准,并且在临床上的到了广泛的应用。但是国际疾病分类体系的特点是依赖于临床特征的,并且落后于目前对疾病生物学分子学的研究,因此需要结合不断更新的生物医学数据来对疾病进行分类,以满足精准医疗的需要。同样的,对于某一个具体的疾病,无监督聚类的方法已经被广泛用于对疾病亚型进行无偏见的生物医学发现。但是随着疾病生物分子学研究的深入,疾病分子表达数据不断增长。仅通过单一视图的数据进行聚类研究,往往因为数据的不同,得出的疾病分型结论不同的分型结果。所以,需要将多源数据进行融合,以获得更加合理的疾病分型结果。因此,本文基于多视图聚类算法,对整个疾病的分类体系和癌症的分型进行了研究,本文的主要研究工作如下:(1)本文收集并整合了四种疾病关系,即疾国际疾病分类编码、疾病基因关系、疾病症状关系和疾病蛋白质相互作用。通过四组数据,构造了四类疾病对之间的相似关系,根据疾病相似关系对国际疾病分体系进行了评价。验证了国际疾病分类体系的分类合理性,同时也证明了国际疾病分类体系章节内较高的分子多样性。针对国际疾病分类体系缺乏对疾病分子特异性的理解,本文构建了两种多视图疾病分类模型,分别为基于深度多视图网络融合的聚类模型和基于多视图概念分解算法的疾病分类模型。两种模型将上面得到的四类疾病相似关系作为四个数据视图,进行多视图疾病分类研究,得到了更加高质量的疾病分类。(2)针对现有分型研究多采用单源数据,得出的不同疾病分型结果的问题。本文获得了五种癌症数据集,包括五种癌症的表达数据和生存数据。每种癌症表达数据又包括三种表达数据分别是基因表达数据、DNA甲基化数据和mi RNA表达数据。将深度多视图网络融合聚类模型用于疾病分型研究,同时将一种基于图融合的多视图聚类算法应用到疾病分型研究中。两种方法将三种表达数据作为三个数据视图,进行多视图疾病分型实验。应用生存数据对实验结果进行了验证,结果表明两种模型在识别癌症亚型时明显优于单一数据类型分析,并得出的分类结果且具有一定的临床意义。