现代社会快速发展的同时也带给人们巨大的精神压力。随着医学的进步,精神类疾病逐渐被人们所重视。其中,精神分裂症作为具有遗传性的一种精神类疾病,因其病因不明,临床表现复杂而受到研究者们的关注。随着机器学习和基因测序等相关技术的大热,众多研究者将重点转移到机器学习的相关方法和生物医学中的组学数据相结合,进而得到研究者们所需的信息。本文采用的基于网络结构的多组学数据融合关联分析算法对fMRI数据(functional Magnetic Resonance Imaging,功能性磁共振成像)、SNP(Single Nucleotide Polymorphism,单核苷酸多态性)、DNA-methy(DNA methylation,DNA甲基化)这三类组学数据进行计算分析。首先,在对数据标准化等预处理之后,我们构建网络结构模型对样本数据进行一个结构的建模,针对每一类数据都建立相应的相似性矩阵,然后利用以交叉扩散过程为核心算法对样本对进行加强强相关,减弱弱相关的操作,将每一类数据融合成最终的统一数据矩阵,从这个统一矩阵元素中选择出强相关的样本对,进而对其进行具体关联的分析,最终根据对应的SNP位点、fRMI体素信息等找到潜在的精神分裂症的生物标识物和其相关例如潜在发病脑区等信息。相比于其他使用线性融合等的方法,本文采取的是非线性信息融合的方法,对先验信息要求低,并且不需要对每一类数据做权重的分配。通过模拟数据集和真实数据集的验证,在相同的参数条件下,三类组学数据的大部分融合样本相似度比两类组学数据相应的融合样本相似度高,并且在寻找相关疾病的潜在发病生物标识物时,三类组学数据最终分析结果比两类组学数据分析结果多,侧面论证第三类组学数据的加入对数据的融合有一定的补充和完善,从而在医学上分析相关疾病提供一定的帮助。