长非编码RNA（lncRNA）是指长度大于200个核苷酸的非编码RNA。近年来,经过大量的研究表明,lncRNA在许多基本的生物学过程中扮演着重要角色,在疾病,特别是癌症的发生发展过程中有着重要影响。作为致病因素之一,从长非编码RNA的角度来看,人类复杂疾病的分子机制仍未完全了解。预测潜在的lncRNA与疾病的关联可以帮助人们更好地理解疾病的致病机理,同时也可以为开发新药以及制定针对多种人类复杂疾病的个性化诊断和治疗提供帮助。近年来,计算预测模型逐渐成为生物信息学领域的研究热点,它的优势是不依赖于昂贵且耗时的生物学实验,可以快速有效地预测潜在的lncRNA-疾病关联。本文中,我们通过构建生物分子关联网络模型来预测lncRNA与疾病之间潜在关联。使用lncRNA和疾病的属性信息和行为信息,提出了两种预测方法:基于浅层神经网络Deep Walk模型的预测方法DWLDA和基于矩阵分解Gra Rep模型的预测方法GRLDA。具体地说,首先以lncRNA、mi RNA、药物、蛋白质和疾病作为分子关联网络的网络节点,使用lncRNA-疾病、mi RNA-lncRNA、mi RNA-疾病、mi RNA-蛋白质、lncRNA-蛋白质、蛋白质-疾病、药物-蛋白质、药物-疾病和蛋白质-蛋白质共九种已知关联作为网络的边构建分子关联网络;然后,结合lncRNA与疾病的属性信息（lncRNA的序列信息以及疾病的语义相似性）以及lncRNA与疾病的行为信息（分别通过网络嵌入方法Gra Rep、Deep Walk获得）,用以对lncRNA与疾病之间的已知关联进行数字化表征;接下来,选择从不同数据库中获取的lncRNA-疾病关联数据作为正样本,随机选择与正样本数量相同的未知关联作为负样本,以构成训练数据集;最后,选择综合性能优良的随机森林分类器进行实验训练、验证和测试。为了评估我们提出的两种方法的综合性能,分别对两个模型实施了五倍交叉验证实验,所得结果优异,然后通过对不同特征和不同分类器进行比较,两个预测模型也取得了较好的结果。此外,为进一步验证预测算法的有效性,我们对三种类型的癌症进行了案例研究,最终在一些有代表性的数据库中确认了预测模型中选出的前十个lncRNA候选基因。总体实验结果表明,我们提出的两种方法在预测lncRNA与疾病关联方面均表现出了优异的性能。