蛋白质是生物体内的基本组成成分之一,它在细胞中通过和其它蛋白质发生相互作用,即蛋白质相互作用（Protein-Protein Interaction,PPI）,承担生命体的各种生理功能。因此,PPI预测方法的研究对于了解细胞中的各种生物过程具有非常重要的意义。由于早期的生物学方法十分耗时耗力,具有较低性价比,目前采用计算学方法进行PPI预测已经成为主要研究内容。然而,大多数计算学模型都严重依赖蛋白质本身的生物信息,忽略了PPI网络中的结构信息。现有基于PPI网络的预测模型在分析网络结构时也无法准确地捕捉到与PPI相关的结构隐模式,导致算法预测能力欠佳。另外,PPI网络中存在的假阳性和假阴性等噪声数据对模型预测的准确性也有一定的影响。本文主要针对这两个问题进行了研究,具体研究内容如下:（1）针对现有基于网络结构的预测模型无法准确捕捉与PPI相关的结构隐模式的问题,我们利用PPI网络中的功能模块化性质,基于经典的混合隶属度随机块模型（Mixed Membership Stochastic Block Model,MMSB）提出了一个新颖的贝叶斯模型,模拟蛋白质相互作用网络的生成过程,捕获嵌入在给定PPI网络中的潜在功能模块和蛋白质隶属度信息。在此基础上,设计了一个度量函数用于评估两个蛋白质之间存在相互作用的概率,并提出了PPISB算法用于PPI预测。为了验证PPISB的性能,实验从不同物种中选取了五个PPI网络进行五倍交叉验证,结果表明,相比于现有的网络预测模型,PPISB在、-和3三个指标上平均提升了27.50%,4.86%和31.63%。（2）针对PPI网络中存在的假阳性和假阴性等噪声数据的问题,我们在PPISB模型的基础上引入了蛋白质基因本体论信息,一定程度上消除噪声数据对PPI预测的准确性所造成的影响。具体而言,我们在假设功能模块已知的前提下研究如何合理地描述网络结构信息和基因本体信息的生成过程,并提出了NGPM模型,从而更加准确地挖掘网络中蛋白质和功能模块之间的隶属度关系。为了判断两两蛋白质间是否存在相互作用,模型结合隶属度优化结果和网络路径,设计了一种新的度量函数,评估两两蛋白质间发生相互作用的概率。实验结果表明,相比于PPISB,NGPM在0)、-0)0)（6和-三个指标上平均提升了22.42%、9.82%和1.14%。相比于同类模型ASNE,NGPM在-0）0)(6、和-上分别提升了12.08%、49.50%和15.32%。