多模态数据处理一直是机器学习领域的热点问题。在众多领域中,往往积累着大量的多模态数据,这些多模态数据通常维数很高并且含有大量的冗余信息,因此直接处理这种数据容易引发维数灾难。针对这种困难,学者们提出了特征选择,在特征选择的方法中,稀疏典型相关分析（Sparse Canonical Correlation Analysis,SCCA）占据着极其重要的地位,但是这种方法对于具有群组结构信息的数据并不能有效的进行特征选择。因此,针对这种局限性,本文通过使用稀疏正则化的方法将组范数作为正则项惩罚典型相关分析以提高利用群组信息特征选择的有效性,建立了特征选择模型并应用于精神分裂症数据集,具体的研究工作如下:（1）具有组内稀疏特性的l_1,2范数往往应用于先验组结构信息已知的情况,但是现实生活中先验组结构信息往往难以获取,这极大限制了其特征选择的可应用范围,而随机分组能够使得重要特征被随机的分到每一个组里。因此,本文针对先验组结构信息存在但是未知的两模态数据,考虑使用随机分组构造新的组以应用l_1,2范数实现组内稀疏,提出一种全新的基于l_1,2范数的随机组稀疏典型相关分析模型,称其为ERGSCCA。本文构造了模拟数据并做了相关实验,包括对实验得到的相关系数和典型变量在训练集和测试集上进行分析,对基于改进模型的特征选择性能进行可视化评价,模拟实验结果表明ERGSCCA的特征选择能力比S2CCA的特征选择能力更强。（2）当某些数据集中的重要特征既存在于组间又存在于组内时,只具有组内稀疏特性的l_1,2范数就受到了限制,而l_2,1范数可实现组间稀疏。因此,本文针对重要特征既存在于组间又存在于组内的两模态数据,通过在ERGSCCA的基础上添加惩罚项l_2,1范数,构建一种全新的基于l_1,2范数和l_2,1范数联合的组稀疏典型相关分析模型,称之为EGSCCA。模拟实验结果表明,EGSCCA的特征选择能力比ERGSCCA和sparse group lasso的特征选择能力更强。（3）基于ERGSCCA研究精神分裂症问题。基于获得的精神分裂症数据集先验组结构信息存在但是未知的特点,因此本文考虑使用ERGSCCA。该方法的主要思想是将ERGSCCA直接作用于两模态高维度的精神分裂症数据集上以获得与精神分裂症相关的易感基因和风险脑区,从统计学方法、基因功能富集分析等评价指标上来看,本文的新方法优于其他模型。