药物-靶标相互作用的发现是药物研发的首要工作。传统的实验方法虽然能够利用强大的药学理论来寻找药物-靶标相互作用的关系,但是其时间耗费较长、实验成本较高的缺点完全制约了药物-靶标相互作用关系的挖掘,最终成为新药研发的瓶颈,因此非常需要一些高效的计算方法为实验验证提供丰富的信息。现在以机器学习理论为基础的药物-靶标相互作用预测已经成为了研究的焦点。目前,该类预测方法的数量很多,其中建立在半监督学习理论之上的方法更加受到关注,因为该方法能够充分利用大量未知的药物-靶标相互作用对。总的来说,寻找出有效的以半监督学习理论为基础的预测方法是一项既有意义又富有挑战的研究课题。本文的主要内容包括以下两方面:现有的基于半监督学习的预测模型所使用的药物-靶标相互作用数据过于稀疏,具有不平衡性,同时也存在着许多假阴性数据。为了克服以上问题,本文提出了一种基于标签扩充的预测方法。该方法对标签矩阵进行扩充并在模型的损失函数中引入权值。为了更加准确的反映药物之间的相似性,随后,在基于标签扩充的方法中引入了药物ATC编码,并构造出了额外的药物相似性矩阵。最后,两类十折交叉验证的实验结果表明,针对以上两点改进而形成的基于标签扩充的半监督预测方法具有更高的ROC-AUC和AU-PR值,其预测效果优于现有的多种方法,同时利用该方法能够预测出多对在数据集当中未曾出现过的药物-靶标相互作用。基于相似性的半监督学习方法其关键在于相似性的度量,但是其传统的度量方式存在着一定的局限,他们不能充分的区分药物、靶标其不同结构单元在预测问题当中的重要程度。针对以上问题,提出了一种基于特征向量的多标签学习方法。该方法首先利用半监督的特征选择算法,对药物和靶标的原始结构信息进行特征提取,提取出在预测问题中较为重要的特征集合,然后利用多标签模型所学习出的权值来构造线性预测函数,从而得到预测结果。最终的实验结果表明,和那些利用传统相似性度量标准的方法相比,区别对待不同结构单元重要程度的预测方法确实能够获得更加好的预测效果。