胶质母细胞瘤(Glioblastoma)即GBM,是胶质细胞瘤病变程度最严重的形式,是最高等级的胶质细胞瘤。核磁共振成像(Magnetic resonance imaging,MRI)和核磁共振谱成像(Magnetic resonance spectroscopic imaging,MRSI)是医疗诊断领域中特别是人脑肿瘤检测中最主要最权威的检测手段。然而单一的成像手段均无法对GBM的组织类型进行有效的分离,通过数据融合的手段可以得到包括两种数据特征的融合结果。针对MRSI波谱数据与MRI图像数据的多模态数据融合问题,本文基于数据融合理论,利用非负矩阵分解理论和小波分析方法研究了一种非监督的多模态数据GBM组织分离方法,主要工作和贡献如下:1、研究了一种基于小波分解的多模态医学数据融合方法,将数据融合融入到hNMF(Hierarchical non-negative matrix factorization)的GBM识别框架中,提升了识别的准确率。2、研究了了一种在hNMF多个层次分解中确定特征波谱的新的法则,针对GBM病例代谢特征不稳定的现状,对其MRSI数据实现了更加有效的分解,通过分解确立了正确的正常,肿瘤以及坏死组织的特征波谱,获得了相应组织类型的空间分布。3、采用峰值积分的方法对MRSI数据特征进行提取,量化MRSI数据中关键的代谢成分,通过实验确定了所提取的代谢物及其范围。峰值积分后的MRSI仍然可以有效对组织类型进行分离,同时大大减少了非负矩阵分解的迭代运算量。4、对融合结果研究了一种基于模糊c均值聚类的分割方法,确定了不同组织类型的具体边界,获得了最终的融合结果。利用该分割结果与专家标记进行了量化对比,证明了本文提出融合框架的有效性。