识别药物和靶标的交互作用（Drug-Target Interaction,DTI）是现代新药开发过程中的重要环节,也是医学研究的热点问题。有效分析药物与靶标间的关系,对药物重定位、药物发现、副作用预测和药物抗药性等方面具有重要作用。在近些年,人们已对药物与靶标的相关性进行大量研究,但在生物实验中,预测药物-靶标交互作用仍然繁琐和耗时。因此,随着科技的发展,有关药物与靶标间关系的预测愈发受研究者的青睐。在机器学习和深度学习技术快速发展的今天,利用高效的计算方法预测药物与靶标之间的交互作用,可有效缩短药物研发周期,减少新药研制的盲目性,为生化实验提供理论指导。识别有效的DTI对人类医疗技术改善具有重要意义。本文基于异构网络对药物靶标交互作用进行预测,分别提出基于混合特征的K近邻（K-Nearest Neighbor,KNN）模型和基于图卷积神经网络的聚合器模型。根据药物化合物信息和蛋白质序列信息在生物数据上的表示形式,不能将其作为特征向量直接输入到分类器中。基于此问题,我们提出一种基于混合特征的KNN模型。该模型采用非线性相似性融合方法将不同的相似性结合起来与已有的DTI网络进行融合,并构建异构药物-靶标交互作用网络,同时从异构网络中提取特征向量输入到KNN模型预测DTI。最终达到对药物-靶标数据的量化描述,使节点在网络中保持其内在的生物属性。对于大规模、高冗余的数据,传统机器学习模型无法获得良好的分类效果,且近年来对DTI的预测研究大多集中在药物节点或靶标节点上,从而忽略异构网络中药物-靶标之间的关系。因此,提出一种基于高效图卷积（Efficient Graph Convolutions,EGC）预测药物-靶标交互作用的新方法。首先构建异构网络,提取药物-靶标对的特征,然后采用线图对药物-靶标交互作用关系进行建模,最后引入图卷积神经网络,融合多个聚合器,对异构网络中潜在的药物-靶标交互作用进行预测。该模型能学习多种数据特征,对数据进行降维,去除数据中的冗余信息。在保持准确性的同时,能够很好与硬件系统相匹配,有效提高预测速度。对比其他DTI预测算法,本文所提出的算法在速度和性能上具有明显的优势,进一步验证本文的算法在预测药物-靶标交互作用方面的可靠性和高效性。