癌症一直是人类健康的巨大威胁。现代社会中,更多的外在因素成为了恶性肿瘤的发病诱因,但是癌症最根本的发病原因体现在基因的变化上。通常,癌症是通过发病的组织来源进行命名,但是同一部位的癌症会由于内在基因表达水平不同,具有不同临床表现,这种异质性使得同一部位的癌症分为不同亚型。为了提高癌症的治愈率,需要根据每个亚型制定合适的诊断与治疗方案。辨别癌症的亚型被认为是个体化治疗的关键和具有挑战性的步骤。现有的大多数计算方法通过对癌症的基因表达值样本进行多分类来解决这个问题。尽管这些方法尤其是深度学习方法在数据分类方面表现良好,但它们通常需要大量数据进行模型训练,并且在可解释性方面存在局限性。然而,高质量的癌症样本往往并不容易采集,大多数情况下并没有足够多的数据用于训练。此外,由于癌症是一种复杂的系统性疾病,癌症的发生、发展往往伴随着多个分子的共同作用,仅通过分析单个分子很难完全了解癌症样本的表型差异。已有的一些文章表明基于差异表达的分子亚型分析方法并未达到预期。为了解决上述问题,本文提出了一个新的癌症分子亚型分类框架,此分类框架可以精准判断单个样本所属亚型。此工作利用斯皮尔曼相关系数为每个癌症亚型构建基因共表达网络,并在此基础上应用WGCNA生成基因共表达模块,然后为每个癌症亚型识别一个稳健的特异性共表达模块,基于共表达网络中特异性边上的扰动水平为每个样本生成网络特征数据。基于这些新的数据,训练用于多分类的深度神经网络模型。预测过程同样需要为未知类别的样本生成对应的网络特征数据,将这种数据输入训练好的分类模型中进行类别预测。为了避免预测结果的偶然性偏差,一个样本进行多次预测过程并采用投票策略决定最终分类结果。将此分类方法应用于来源于TCGA平台的乳腺癌（BRCA）和胃腺癌（STAD）分子亚型数据集时,其分类性能在多项评价指标上都优于仅基于差异表达的方法。特别地,该算法能够突破样本数据量不平衡的限制,在小样本量类别上表现优于其他算法。除了提高分类性能外,本文对挑选出的差异共表达模块进行了分析,挖掘出差异共表达特征与差异表达特征之间的互补性关系,并将用于分类的特异性共表达模块与其背后生物学意义进行关联。除了提升算法性能,本研究意在为诊断生物标志物设计、癌症机制研究和个体化治疗计划选择提供新的见解。