目的：代谢组学是根据生物体系的代谢组分变化特征来推断和验证生物体生理代谢状态的变化情况和外界刺激的影响程度的学科。而代谢组学数据因其高维的特点，在分析时会存在噪声庞杂和有监督学习的“过拟合”等问题。本研究针对上述问题，研究随机森林聚类分析方法在代谢组学数据分析的无监督分类能力和可视化效果。　　内容：介绍随机森林聚类方法的原理和实现方法，并通过模拟试验验证其在高维数据分析方面的适用性和有效性；随机森林聚类方法与主成分分析法的可视化效果比较；随机森林聚类方法在代谢组学数据实例分析上的应用。　　方法：利用R语言中的已有软件包和一些自主编写的程序实现随机森林聚类分析和可视化。通过模拟试验验证随机森林聚类方法对于分析高维数据和分层数据的有效性，通过与主成分分析方法的比较，评价其可视化性能。选择公开数据库中的实例数据和课题组采集的生物样本数据，利用随机森林聚类方法进行分析，探讨其实际应用效果。　　结果：主要的研究结果如下：　　●模拟试验的结果显示，当组间差异变量和噪声变量服从正态分布时，随机森林聚类的分类效果显著，并随着组间真实区分度的增加而提高，而且不会受到无差异变量个数增加的影响。当无差异变量个数增加时，随机森林聚类的可视化效果明显优于主成分分析的效果。　　●模拟试验的结果显示，当组间差异变量和噪声变量服从偏态分布时，在无差异变量个数限于一定范围内，随机森林聚类的分类能力良好，同时随机森林聚类的可视化效果也好于主成分分析的效果。　　●对于某一类别内部存在“亚型”的数据类型，随机森林聚类方法对亚型的识别能力和可视化效果均优于主成分分析方法。当变量均服从偏态分布时，随机森林聚类方法的效果会受到无差异变量个数的限制。　　●随机森林聚类方法在实现时需要用到一个人工生成的参照数据，聚类的效果与产生这个数据的抽样方法有关。　　●本研究对三个学实例数据，利用随机森林聚类方法进行分析，并将其可视化效果与主成分分析进行了比较。结果显示，在同等条件下，随机森林聚类的可视化效果好于传统的主成分分析的效果，并且在卵巢癌亚型分析中找到了与亚型有关系的人口学信息。　　结论：随机森林聚类方法在以代谢组学数据为代表的高维数据无监督分类中有良好的效果，抗噪声能力强。与传统的主成分分析方法相比，其可视化效果也更为显著。因此，随机森林聚类方法是二_种适合代谢组学数据、并值得进一步分析的方法。