癌症是一种由于病变细胞失去正常的调控机制从而不停自我繁殖的疾病,诱发癌症的病因并未被医学研究人员从根本上发现,所以癌症很难有效地预防。并且因为癌症是由于体内细胞异常导致的,与常见的大部分疾病不同,无法使用常规的医疗手段治疗,而目前常用于治疗癌症的放疗和化疗手段会杀死人体内正常的细胞,具有非常强烈的副作用,所以对癌症的预防与治疗是当代医学需要攻克的一大难题。传统划分癌症的方法是根据细胞病变的组织器官来划分的,比如肺癌、胃癌、乳腺癌等等。这种粗粒度的划分方式不利于对癌症患者进行针对性的治疗,所以研究人员又将同一癌症类型根据分子标志物或患者的临床反应划分为不同的亚型。癌症亚型识别不仅可以为癌症患者提供个性化的诊疗方案,更可以对癌症的发病机理进行研究。随着高通量测序技术的发展,已经有多个国家成立实验室来测量癌症患者的多组学数据,包括基因组、表观基因组、转录组、蛋白质组等。通常对单一组学数据的研究分析很难对癌症患者进行全面具体的描述。如何同时使用多个组学的数据对癌症患者进行分析成为当下癌症亚型识别问题研究的重点。由于不同组学的数据构成具有异质性,多组学数据集成分析成为一个巨大的挑战。本文针对现有的与癌症亚型识别相关的生物信息学方法展开研究和分析,提出了一种基于深度神经网络集成多组学数据的癌症亚型识别方法（Multi-view Deep Neural Networks,MDNNs）,该方法使用深度信念网络预训练神经网络模型中的参数,使用改进后的深度自编码器模型来集成多组学数据,通过无监督学习的方式来从多组学数据中学习癌症患者的有效统一特征表示,并将学习后的特征使用k-means方法进行聚类,完成癌症亚型识别工作。预训练结果在聚类评价指标平均提升50.1%;在生存分析p-value方面降低了 69.8%,聚类结果明显更加显著。本文将提出的方法应用于TCGA数据库中的浸润性乳腺癌,通过集成DNA甲基化、miRNA和mRNA的表达数据识别浸润性乳腺癌的亚型。运用标准互信息、调整兰德系数等聚类指标评价癌症亚型识别结果,并通过KM生存曲线以及对数秩检验的p-value等指标评价癌症亚型识别结果的临床显著性。本文提出的方法的结果在聚类指标比较上相比SNF、PINS、LRA、iClusterPlus方法表现最好,比表现次好的LRA方法聚类评价指标高出了 6.3%。