MicroRNAs(MiRNAs)是一类微小的内源性非编码RNA。近年来,许多研究表明miRNA的突变和调控异常会导致许多疾病,miRNA可以在疾病的诊断和治疗等过程中充当重要的生物标记物。早期,研究者们主要通过生物实验方法挖掘疾病和miRNA之间的调控关系,该类方法可以获得准确度较高的疾病相关联miRNA,然而存在设备昂贵、周期长的弊端。因此,研究可以预测miRNA-疾病关联关系的计算方法成为生物信息学领域的一个研究热点,该类方法对于挖掘miRNA和疾病之间的调控关系至关重要。本文综合利用多种生物学数据构建高质量的相似度网络,提出了两种针对miRNA-疾病关联类型预测问题的计算模型,分别为基于标签传播的miRNA-疾病关联类型预测算法NLPMMDA和基于张量分解的miRNA-疾病关联类型预测算法STDMMDA。两种算法都使用了多种数据计算疾病相似度和miRNA相似度,NLPMMDA算法使用该相似度信息构建异质网络,基于异质网络中节点的交互信息,利用少量已标记数据的标签值,使用基于相似度网络的标签传播算法预测大量未标记数据的标签值,实现miRNA-疾病关联类型的预测;STDMMDA算法使用该相似度信息和协同过滤思想更新三维关联类型张量,得到每种关联类型下miRNA-疾病的关联分数,之后使用张量分解模型对数据进行填补,同时挖掘三维张量中的隐性关系,实现miRNA-疾病关联类型的预测。本文提出的两种算法融合了疾病和miRNA的相似度信息,可以更好的挖掘数据间的潜在信息。另外,NLPMMDA模型使用了半监督学习算法,可以在没有负样本的情况下进行预测,STDMMDA算法使用张量分解模型对数据进行填补,避免负样本带来的误差,并且可以将算法适用范围扩大到孤立疾病。通过使用留一交叉验证进行评估,NLPMMDA算法和STDMMDA算法的平均AUC值分别为0.9739和0.8628,均高于已有最先进算法0.8606的效果,案例分析的结果进一步验证了两种算法预测结果的高可信度。