MicroRNAs(miRNAs)是一类非基因编码小分子RNA,在基因转录后水平发挥了调控基因翻译表达的重要作用。它通过碱基互补配对的生物学方式有效地诱导靶点mRNA(信使RNA)的降解或抑制mRNA的翻译和表达。最近的一系列研究表明,miRNA在细胞的生命历程、器官的生长发育等多种生物学过程中发挥着重要的调控作用。因此,miRNA的异常调控也导致了许多复杂人类疾病的发生和发展。为了有效克服传统生物实验方式的缺点和局限性,近年来陆续提出了各种基于生物信息学的方法来预测miRNA与疾病的关联关系。目前,对miRNA与疾病之间的关联研究主要集中在基于网络结构的研究和基于机器学习算法的研究。本文提出的第一种方法为自加权多核多标签学习框架SwMKML。SwMKML自适应地学习到两个空间的最优核和相似矩阵。根据图的多标签学习模型,同步更新两个空间的miRNA与疾病的关联预测分数。SwMKML采用自加权的方式解决了以往实验中最优核的选择问题。SwMKML方法的优势在于仅仅使用一个关联矩阵就能完成miRNA与疾病关联关系的预测,并且能够预测新的疾病。本文提出的第二种方法为最近邻图正则化矩阵分解模型N2GRMF。N2GRMF是网络信息与图正则化相结合的计算模型,增强了模型的泛化能力。该模型使用改进的矩阵分解方法进行流形学习,以提高miRNA与疾病的关联预测的精度。除此以外,N2GRMF在目标函数中加入了权重矩阵,帮助找到潜在的特征矩阵,以更好地预测疾病相关的候选miRNAs。实验部分,采用多种指标衡量SwMKML和N2GRMF的预测性能,而且在多种人类疾病上进行案例分析,以进一步对模型的性能及可行性做出判断。实验结果表明,两种方法都是可靠有效的计算模型,可以为miRNA与疾病关系的深入研究提供一定的帮助。