在药物研发过程中,识别药物-靶标相互作用是一个重要的问题。传统的基于生物实验的药物-靶标相互作用发现方法费时费力,需要使用基于计算的方法来加速并减少开销,提高筛选速度。本文把药物-靶标相互作用预测问题定义为二分类问题。集成学习具有鲁棒性强,预测性能好,能较好处理高维度、类别不平衡数据集等优势。因而本文基于集成学习从以下几个方面对药物-靶标相互作用预测开展研究:1.利用下采样方法构造类别均衡的数据集,然后多次结合随机取子空间和降维方法将药靶数据映射到多个不同的隐空间。基于产生的多个隐空间数据集训练产生多个差异化的神经网络,最后将多个神经网络结合进行预测。2.针对药靶数据类别失衡问题提出堆叠式框架。首先,它使用不放回采样获得多个完全不同的负样本集,然后将正样本集分别与每一个负样本集组合用于训练多个基学习器,最后用元学习器结合这些基学习器的输出从而给出最终的预测结果。3.针对药靶数据增量产生的问题,研究集成模型的持续学习方法,使用一个模型对连续产生的数据集进行学习,在学习新的知识的同时保留已学习到的知识,达到分类模型持续扩展的目的。本文使用多个细胞系下的基因表达谱数据对提出的方法进行了验证。实验结果表明:本文提出的集成神经网络模型能有效降低过拟合风险,提升了分类性能;提出的堆叠式框架缓解了药靶数据类别失衡问题,进一步提升了分类性能;提出的集成模型持续学习方法能有效地使用一个模型对持续产生的多个数据集进行学习。这些研究工作对于药物研发具有积极的推动作用。