miRNAs作为一类重要的转录后调控因子,在疾病的发生、发展进程中发挥了重要作用。发现疾病相关的miRNA是一项基础而重要的生物医学任务。考虑到通过传统的生物学实验识别miRNA-疾病关联耗时且费力,计算方法已成为一种必不可少的辅助手段。现有的计算方法受生物数据的稀疏性与噪声影响,预测性能不佳。随着高通量测序技术的盛行,各种组学数据急剧增加,大量的生物网络不断涌现。如何高效的整合多网络信息、充分利用生物网络间的信息互补以进一步提升预测性能也成为了计算方法的主要挑战之一。本文从多网络融合的角度出发,结合深度学习技术提出了两种网络融合方法识别致病miRNA,主要研究内容如下:（1）针对当前许多计算方法难以有效的整合多组学信息、捕获非线性的网络结构信息等问题,提出了一种基于多模态自动编码器的框架deep MD（multi modal autoencoder-based deep learining method for miRNA-disease association prediction）。该框架利用多模态自动编码器融合了多个miRNA相似性网络与疾病相似性网络的结构信息,并利用图卷积神经网络进一步提取了高质量的节点特征以推断潜在的miRNA疾病关联。在五折交叉验证实验中,deep MD算法在多个指标上均优于对比算法。此外,在新疾病与新miRNA的预测实验中,deep MD也表现出优越的性能,进一步验证了该模型的实用性。（2）针对deepMD算法容易忽视稀疏度高的网络、不能融合异质网络信息等问题,提出了一种基于图神经网络的miRNA-疾病关联预测模型MNGNN（Integrating Multi-Networks for micro RNA-Disease Associations Prediction via Graph Neural Network）。该模型利用多图卷积编码器与二分图卷积编码器分别提取了同构网络与异构网络的信息。此外,该模型还利用了判别器以捕获全局特征与局部特征间的依赖关系。为验证模型的性能,我们执行了五折交叉验证实验并与多个现有的计算方法对比,实验结果表明,MNGNN在多个的指标上显著优于对比算法。同时,消融实验与案例分析分别验证了MNGNN各个子模块的有效性以及该模型预测新的潜在关联的能力。