许多复杂疾病的发病率和死亡率正不断提高,已经严重威胁到人们的生命健康。研究发现,micro RNA（mi RNA）与复杂疾病的产生和发展密切相关,它们通过参与靶基因的调控,进而影响人体的发育和众多疾病的产生。因此,预测与疾病相关的mi RNA可以有助于疾病的早期医疗诊断,以及加速对发病机理的认识。然而,利用传统的生物实验方法来鉴定mi RNA与疾病的关联（mi RNA-disease association,MDA）往往周期较长,且需要花费昂贵的人力、物力成本。近年来,随着高通量测序技术的进步和相应理论的积累,关联数据的可用性和规模不断扩大。因此,基于生物信息学开发高效可靠的计算模型来预测MDA逐渐成为研究的热点之一。本文旨在融合多元生物相似性信息和已知的关联关系,提出了四个可靠的预测模型来挖掘mi RNA和复杂疾病之间的潜在关联,为生物实验提供方向性的辅助工作。具体研究内容如下:（1）针对传统机器学习模型整合的生物信息过于单一的问题,提出了一种双网络信息融合（DNIF）的方法来预测mi RNA与疾病的关联。DNIF将高斯互作谱引入到预测框架中,有效地融合mi RNA和疾病的网络相似性信息,为后续预测潜在关联提供丰富的先验信息。此外,DNIF集成了两个增强的子模型以重建预测框架,这可以从不同角度整合数据信息来预测潜在的MDA。（2）针对现有的预测模型难以处理MDA数据中噪音和离群值的问题,提出了一种基于逻辑模糊二分局部模型（LF-BLM）的方法预测mi RNA与疾病的关联。该方法在模糊二分局部模型的基础上,引入逻辑函数,有效地整合了相似性信息,从而使分类器在训练模型时能够学习更多的先验知识。同时,把模糊隶属度应用到预测模型中,可以更好地过滤噪音和轮廓点,提高算法的预测性能。（3）针对用于MDA预测的相似性信息过于单一的问题,提出了一种基于深度自动编码器和多核学习（DAEMKL）的框架预测mi RNA与疾病之间的关联。DAEMKL首先计算了多个对称的mi RNA相似性矩阵和疾病相似性矩阵。之后,将多核学习引入到预测模型中,能够有效地融合来自mi RNA空间和疾病空间的多组学数据,提高算法的预测。此外,该方法将深度自动编码器应用于mi RNA-疾病关联预测,可以利用高维的数据特征学习更多潜在的信息。（4）针对相似性信息结合过于简单,难以有效提取mi RNA特征和疾病特征的问题,提出了一种基于多核图注意力深度自动编码器（MGADAE）的方法来预测mi RNA与疾病之间的关联。首先,MGADAE通过多核学习方法融合了多个相似性信息矩阵,以尽可能地提高先验知识的学习程度。然后,图卷积神经网络（GCN）可以有效的从mi RNA-疾病关联、mi RNA相似性、疾病相似性组成的异构网络中学习结构信息。最后,MGADAE利用注意力机制整合来自GCN层的表征,该方法使得mi RNA和疾病的信息表达更加丰富。本文所提出的方法已经应用在MDA数据集,其结果表明这些方法能够有效地学习mi RNA和疾病的相似性信息和已知的关联信息,有着稳定的预测性能。它们不仅可以有效地预测潜在的关联,而且优于现有的同类方法。