长链非编码RNA（long non-coding RNA,lncRNAs）是人体中非常重要的一类非编码RNA,它的长度超过200个核苷酸,在非编码RNA中占有极大的比例。近年来,越来越多的研究表明lncRNA参与众多的生物调控过程,基因调控的各个环节发挥了至关重要的作用。例如细胞的分裂分化、疾病的病理特征、免疫反应、细胞的代谢等等,与很多疾病的发生密切相关。目前lncRNA已经成为一些疾病诊断与治疗的新的候选分子和靶标。探索lncRNA-疾病的关联,对于我们从分子层面上剖析疾病复杂的病理机制有着显著的作用,同时对疾病的前期诊断,中期治疗,后期护理和相关药物的研发都有着非常重要的指导意义。然而,通过常规的生物医学实验来探索lncRNA-疾病的关系耗时费力,代价很高。传统生物医学实验预测lncRNA与疾病关联耗时费力。面对众多未知功能和疾病关联的lncRNA,发展基于计算的方法快速有效地预测lncRNA与疾病的关联是非常有意义的。目前已有的方法主要包括矩阵分解以及网络表示学习,它们都面临着数据稀疏这一主要挑战。此外,目前已有的很多方法只考虑lncRNA和疾病浅层的特征之间的关联信息,而忽略了深层次潜在特征之间可能存在的联系。本文提出一种基于深度矩阵分解的lncRNA与疾病关联预测模型（DMFLD）,该模型通过多头注意力机制、距离层网络、角度层网络以及深度神经网络形成了一个多维度知识汇集的融合模型,从而实现从多个维度来探索lncRNA与疾病之间隐含的潜在特征的高度非线性表示,进一步提高预测精度。主要工作包括以下几方面:1)为了解决高维关联矩阵数据的稀疏性问题,引入了词向量对lncRNA与疾病的关联矩阵分解,得到lncRNA与疾病的潜在因子（特征）。2)提出基于多头注意力机制自动构建潜在特征的因子分解机,该因子分解机能够自动构建关联度较高的潜在特征组合,从而充分捕捉lncRNA与疾病潜在高阶特征之间的内在联系。3)为了从空间的维度上来描述lncRNA与疾病的关联关系,构建了距离层和角度层网络。4)引入深度神经网络来学习lncRNA与疾病潜在特征的非线性表示,提高预测lncRNA与疾病关联的准确度。我们的方法无需大量有关相似度的额外计算,同时也使用小批次随机梯度下降的方式来解决时间复杂度过高的问题,提高训练速度。并且引入了正则化约束来解决过拟合问题。最后串联以上的深度神经网络、多头注意力网络、距离层网络和角度层网络通过多层感知机来得到预测结果。5)使用lncRNA-disease V2.0大规模数据集,大数据集可以发掘更有价值的结果,并且采用五个推荐系统中常用的指标:命中率（HR）、归一化折损累计增益（NDCG）、平均排名的倒数（MRR）、均方根误差（RMSE）以及平均绝对误差（MAE）。首先为了验证不同的矩阵分解模型对实验的影响,设计了全面的实验来比较不同的矩阵分解模型（Funk SVD、SVD++、NMF）对于实验结果的影响,以及对矩阵分解中的重要参数进行了系统的调参实验。然后,将我们提出的基于深度矩阵分解的计算方法与当前比较先进的方法以及传统的机器学习模型和深度学习框架进行比较。实验结果表明,深度矩阵分解的各项指标均优于其他方法。此外,研究案例表明我们提出的DMFLD能够较高精度地预测与三种疾病（肺癌,宫颈癌和结直肠癌）有关系的lncRNA。6)为了最大的方便相关研究人员的使用,我们开发了基于深度矩阵分解的lncRNA与疾病关联预测的web服务器（http://lddmf.natapp1.cc/）。