遗传性疾病严重威胁人类健康,破解基因和疾病之间的联系已经成为生物医学研究的重要目标,发现与疾病密切相关的基因对于疾病的预防、诊断及治疗具有极其重要的意义。随着各种生物数据的不断挖掘以及计算机技术的飞速发展,针对基因-疾病关联关系预测问题已经提出了很多方法。然而,现有的预测方法大多采用两步策略,即先进行特征融合,再进行关联关系预测,忽略了这两步之间的促进关系。同时,这些模型没有充分挖掘基因和疾病的多源特征信息,往往会受到数据冗余和缺失的影响。针对这些问题,本文从不同角度提出了两种模型,主要研究内容如下:（1）针对现有两阶段模型的缺陷以及多源数据融合问题,提出了一种单步多视图归纳式矩阵补全模型。该模型利用多视图表示学习,充分挖掘基因和疾病的多视图数据的一致性和互补性信息,获得公共的潜在表示,同时也适用于不完整的多视图数据。此外,该模型在传统归纳式矩阵补全模型中引入自适应加权机制,对已知和未知关联的预测施加不同的惩罚,以适应大规模PU（Positive-Unlabeled）学习问题。将多视图表示学习和加权归纳式矩阵补全集成到一个联合模型中,同时学习潜在表示和预测矩阵,相互促进,不仅可以改善潜在表示学习,而且能够提升预测性能。最后,在真实的基因疾病数据集上进行了大量实验,验证了该方法相比于其他方法具有更优的性能。（2）针对浅层线性模型在提取非线性特征及学习复杂关联方面的局限,提出了一种深度多视图归纳式矩阵补全模型。该模型通过嵌套的自编码网络将多视图数据集成到完备表示中,在一个统一的框架内同时进行视图特定表示学习（通过内层自编码网络）和多视图共享表示学习（通过外层自编码网络）,灵活地平衡了多视图数据的一致性和互补性。结合多模态低秩双线性池化网络对关联关系进行预测,充分挖掘基因与疾病之间的复杂关联。最后,真实数据集上的实验证明了该模型的有效性和优越性。