人类疾病常常和长非编码RNA（lncRNA）的异常性表达紧密关联,识别与疾病相关的lncRNAs对于有助于阐明复杂的发病机制。然而,设计实验确定与疾病相关的lncRNA通常要消耗大量资源。本文从LncRNA与疾病的不同层面,提出预测lncRNA-疾病相关性的三种方法。实验结果显示,本文所提出的模型的预测结果都优于先前。现将主要工作完成情况说明如下:（1）第一个方法是基于全连接自动编码器和卷积神经网络的的预测模型（简称ACLDA）,用来整合多个表示。首先构建了一个多层异构图,由不同类型的lncRNAs、疾病和miRNAs的节点和边组成。异构图被用来表示lncRNAs、疾病和miRNAs的节点之间的相似性、相互作用和关联。然后我们定义了两种表示,分别为低维特征属性表示和局部拓扑表示。低维特征属性表示是由基于全连接的自动编码器身入提取异构图中lncRNAs、疾病和miRNAs节点的低维特征。本文提出了在节点特征层面和元路径层面的注意力机制,以学习更多的信息特征。建立了基于卷积神经网络模块来进一步学习lncRNA和疾病在元路径层面的局部拓扑表示。通过评估和案例研究表明,本章提出的模型优于LncRNA-疾病预测的6个最新所提出的模型。（2）第二个方法是基于生成对抗网络和卷积神经网络的预测模型GLDA,用于整合lncRNA的属性。我们提出了一个生成对抗网络的模型,即基于全连接神经网络的自动编码器的生成器来编码lncRNA-疾病对的低维拓扑结构表示,以及基于卷积神经网络的判别器来判别真实和虚假的邻居拓扑结构嵌入。与六种lncRNA-疾病关联方法的比较结果表明,我们的模型和技术贡献在AUC和AUPR方面具有优势。案例研究对潜在候选lncRNA的检测能力进行了进一步的证明。（3）最后一个方法为基于图卷积网络和卷积神经网络的模型——GCLDA。通过使用图卷积神经网络来提取异构图的全局拓扑表示,通过卷积神经网络来获得lncRNA和疾病节点对的局部拓扑表示。通过与最近的六个预测模型的对比和对三种癌症的案例分析证明了 GCLDA在预测与疾病相关的潜在lncRNA候选中取得了突出的成绩。