长链非编码RNA（简称lnc RNA）在多种生物调节过程中扮演重要作用。一方面,lnc RNA不同亚细胞定位模式让它们能够执行不同的功能,识别lnc RNA的亚细胞位置有利于确定lnc RNA的功能。另一方面,lnc RNA的突变和失调影响多种人类疾病的发展进程,识别lnc RNA-疾病关联有利于揭示疾病的分子机制和探索治疗策略。然而,确定lnc RNA的亚细胞定位及与疾病的关联的生物学实验成本昂贵且耗时,已知信息远远不能满足现代医学研究的需要。因此,借助机器学习开发出效率更高的计算方法能为lnc RNA的亚细胞定位及与疾病关联的研究提供重要辅助。本文致力于提出有效的lnc RNA的亚细胞定位及与疾病关联的预测方法,具体工作如下:（1）针对lnc RNA的亚细胞定位的预测问题,本文基于机器学习及多种序列特征信息开发了一种预测lnc RNA的亚细胞位置的方法（称为lnc Loc Pred）。lnc Loc Pred首先提取样本序列特征,包括k联体核苷酸组分、伪二核苷酸组分和局部结构-序列三元组。然后,通过方差过滤,二项分布和F-score得分法有效进行特征选择。最后,利用逻辑回归模型预测lnc RNA所属的亚细胞位置。实验结果显示,在lnc RNA样本特征中排名靠前的k联体核苷酸组分通常以短重复的形式出现,并具有较高的G和C碱基含量。通过留一交叉验证方法的评估,lnc Loc Pred在基准数据集取得了92.37%的整体准确性,高于现有的最新预测方法,且在四个亚细胞定位上的预测准确性均有提高。此外,在本文整理的独立测试集上,lnc Loc Pred取得了高于其他预测器的整体准确率。（2）针对lnc RNA与疾病关联预测问题,本文提出了一种新颖的基于图卷积矩阵完成的lnc RNA-疾病关联预测模型（称为GCRFLDA）。为了有效学习到节点表示,GCRFLDA在编码中加入了条件随机场和注意力机制。GCRFLDA使用了高斯谱核相互作用相似性和余弦相似性作为lnc RNA节点和疾病节点的边信息。由于GCRFLDA仅需要lnc RNA-疾病关联信息,这提高了方法的通用性。在四个数据集上进行的交叉验证结果显示,GCRFLDA取得了比其他现有方法更好的AUC值。此外,本文对六种疾病共80对lnc RNA与疾病关联进行了案例研究,其中70对关联得到了相关文献的证实。实验结果表明,GCRFLDA可以用作预测潜在的lnc RNA-疾病关联的有效工具。本文提出的基于机器学习预测lnc RNA亚细胞定位及与疾病关联的方法都获得了较好的实验结果,对生物信息学的发展起到了补充作用。