MicroRNA（miRNA）是一种内源性、微型、非编码RNA。它在细胞的生长、繁殖、分化、凋亡等生物过程中起着多种调节作用,并参与了许多复杂疾病的异常表达,从而使免疫系统缺失。因此,鉴定miRNA可以帮助研究多种复杂疾病,并借此来认识病理机制和发病机制,推动生物临床医学向前发展。全方面的探究miRNA-疾病潜在的关联关系也为生命科学的研究奠定了坚实的基础。近年来,研究者们已经成功发现了miRNA一部分的关联关系,但仍有很多的关系未被发掘。传统机器学习方法大多数只能研究它们之间浅层的关系,不能准确的预测miRNA-疾病潜在的关联关系,且实验室方法受实验周期长、环境设备要求高、价格昂贵等限制,很难在实验室以外的环境进行。因此,本文旨在研究miRNA与疾病之间关系做了以下工作:（1）收集miRNA和疾病的关联关系数据集。根据miRNA和疾病两个数据集的描述方式,使用医学主题词（Me SH）、MISIM数值计算方法分别计算疾病语义相似性和miRNA的功能相似性,并构建相似性网络,最后利用所提出的三个不同的方法CFM1、CFM2、CFM3得到三个数值化的特征矩阵。（2）针对miRNA与疾病网络嵌入学习中没有结合属性特征的问题,本文提出了将角色嵌入（Role2vec）方法与深度神经网络（Deep Neural Networks,DNN）相结合的预测模型,学习并提取miRNA-疾病的潜在关系特征。基于角色嵌入方法,通过把特征向量映射到角色空间中,学习每个节点的嵌入,然后把经过数值化表示的特征矩阵输入深度神经网络中训练,最后采用五折交叉验证的方法防止数据过拟合。为了进一步突出本文提出的预测模型的高效性,将所提出的角色嵌入-深度神经网络模型分别与不同类型特征提取方法（HOPE、LINE、SDNE）、不同分类器（SVM）作对比。实验结果表明,本文所提出的模型具有更好的预测性能。（3）针对miRNA与疾病在图属性嵌入学习中无法使滤波器保持低通特性以及滤波器与权重影响实验性能的问题。本文提出了将离散小波变换（Discrete Wavelet Transform,DWT）方法与自编码器（Autoencoder,AE）相结合的预测模型,学习并提取miRNA-疾病的潜在关系特征。基于离散小波变换的方法,把特征向量进行高\低通滤波,得到高\低频成分,学习低频中更多的特征信息,然后把经过数值化表示的特征矩阵输入自编码器中训练,最后还原原始数据。为了进一步突出本文提出的预测模型的优越性,将所提出的离散小波变换-自编码器模型分别与不同特征提取方法（FFT、HHT）、不同特征矩阵处理方法（CFM1、CFM2、CFM3）以及不同参数作对比。实验结果表明,本文所提出的模型性能更优。在以后的工作中,希望本文工作能成为基因组学研究的一种有效补充手段。