现今,通过计算机科学与技术,对其他领域进行数据分析已经变得广泛起来,尤其是在生物和医学领域上,存在着大量的亟需分析的数据,它们通过传统医学方法无法统一而有效的进行剖析,或是通过传统的计算机技术无法高效的发掘数据背后的专业信息,而许多对临床医学具有指导意义的生物信息隐藏在它们之下。同时,数据的规模发展之快亟需新的更加高效的处理方法来解决现今的实际问题,胶质母细胞瘤(GBM)是一种棘手的癌症,对于胶质母细胞瘤相关生物信息,本文力争使用模式识别相关技术进行分析,来探求基因背后的知识,设计并实现一种新的发现算法来找到可以对胶质母细胞瘤样本分类起到决定性作用的特征从而发现胶质母细胞瘤亚型。本文针对胶质母细胞瘤数据进行多方面的数据处理,包括首先对胶质母细胞瘤数据进行规范化使之便于数据分析,其次利用胶质母细胞瘤数据特征的密度信息来使样本分类更加友好而清晰的可视化,同时提出一种基于规范化线性判别分析算法和最大相关性最小冗余度算法的数据降维算法RELRED,通过RELRED算法对数据进行降维和冗余处理从而解决胶质母细胞瘤数据的高维特征问题,使胶质母细胞瘤亚型更容易的被发现。最终,为了清晰的发现胶质母细胞瘤亚型,即对胶质母细胞瘤样本分类具有指导意义的相关特征,本文提出了基于特征识别的监督学习下非负矩阵分解算法SJNMF,SJNMF算法通过将联合矩阵进行统一分解,同时在算法的迭代过程中将分解结果紧密的与数据的标签分类信息关联,最终不仅仅进一步降低数据维度,而且完成对重要的数据特征提取从而发现胶质母细胞瘤亚型。项目采用了TCGA癌症数据库中的相关数据集,按照胶质母细胞瘤数据处理流程,RELRED和SJNMF两部分算法对TCGA数据进行了数据分析,同时与其他常用算法进行了比照,结果表明了RELRED和SJNMF算法在计算速度与计算准确度上的所具有的优势。