MicroRNA作为人类体内最重要的小分子之一,通过多种方式调控靶基因的表达,与许多复杂疾病相关。新一代测序技术的发展以及海量的生物医学数据的积累,对理解miRNA在生物网络中的调控机制和复杂疾病的发病机理提供了便利。生物信息学算法的提出大大加快了miRNA-靶基因的关系预测的进度,然而现有的方法在有效利用已知数据提取特征方面还有待改进,因此本文以miRNA和靶基因为研究对象,利用miRNA和靶基因的多源数据,结合网络嵌入和深度学习的计算方法,设计出能够预测潜在的miRNA-靶基因相互作用的算法模型,加快生物实验的进程。主要工作如下:（1）鉴于现有的miRNA-靶基因预测方法存在未高效利用已知数据,选取特征忽略了数据之间关系信息等不足。本文结合邻居信息和网络嵌入的方式,设计了miRNA-靶基因关联预测算法Multi-MTI（Multi Information MiRNA-Target Interaction）。该方法一方面从网络关联信息出发,构建融合邻居信息的miRNA-靶基因二分网络,利用网络表示学习方法Deepwalk学习miRNA和靶基因之间的关系特征。另一方面从序列信息出发,利用Role2vec方法学习miRNA和靶基因的序列特征。对所学数据特征和关系特征进行拼接,并利用一个注意力网络来预测miRNA和靶基因的关系。通过五折交叉验证,Multi-MTI与其他对比方法相比,在多项评估指标中皆获得了更好的效果。消融实验和参数分析表明了Multi-MTI模型的每一环节都对结果带来更好的作用。通过对未知样本预测结果的案例分析,进一步展示了Multi-MTI具有预测潜在miRNA-靶基因关联的能力。（2）为了进一步探索网络中节点对之间的关系特征,提出了算法MDCNN（Metapath-based Deep Convolutional Neural Network）。一方面,以元路径的形式出发,将网络节点对的关系联系在一起,提高算法的可解释性。另一方面,针对所学的特征的有效性对于miRNA-靶基因起着重要的作用,设计成一个端到端的框架,可以在训练的过程中更新参数,自适应地学习到最佳的特征表示。五折交叉验证表明,MDCNN与Multi-MTI和其他对比方法相比较,在各项评估指标都获得了更高的值。消融实验表明,利用多源信息能够使模型捕获更多的节点信息。参数敏感性分析过程表明,参数对模型的影响较小,具有很强的鲁棒性。最后通过对hsa-mir-26b-5p和CDKN1A的案例研究,说明了MDCNN具有预测新的潜在的miRNA靶基因关联的能力。