复杂生物系统由各种生物分子组成,任何一项生物功能都是有很多生物分子共同参与完成的,从复杂网络的角度研究生物分子的性质、功能是当前生物信息学的重要研究方向。随着新兴生物技术和数据库技术的迅速发展,产生了海量的组学数据,这为研究人员从分子水平上探索和揭示生命体的各项生命活动提供了丰富的数据来源,也使得构建不同生物分子（或实体）间的相互作用网络成为可能。整合多组学数据构建生物网络并推断不同生物实体的交互关系是网络生物学的重要研究课题,它可以揭示分子间的各种合作机制,帮助研究者了解生物分子功能,同时还能加深对各种复杂疾病的发生、发展和活动规律的理解。然而,面对海量的生物数据,仅依靠生物实验来探索交互关系,不仅要耗费大量的人力、物力,还要相当长的时间。机器学习作为人工智能的核心,在各行各业都发挥着重要的作用。随着计算机技术和统计学理论的发展,大量的机器学习模型被提出,以统计学理论为指导,利用机器学习模型和计算机技术来解决生物上的问题是当前生物信息的重要研究手段。利用数据挖掘、机器学习等计算手段作为生物实验的辅助和指导,可以快捷地从海量数据中进行初步筛选,大大的缩短了实验的时间成本和资源花费。针对当前生物实体交互推断算法中存在的问题,本文分别研究了基于多核邻域相似性的网络构建、基于多网络融合和邻域双向传播模型,以及基于图的异构网络稀疏子空间集成学习模型,并将它们应用到三类重要的生物实体交互推断问题中,具体工作如下:针对非邻域样本可能蕴含主要信息和样本间可能存在非线性结构关系的假设,建立了一种基于多核邻域相似性的网络构建模型（MKSNS）。通过对邻域样本和非邻域样本设置不同的正则化权重,避免了传统的线性邻域模型导致的重要非邻域信息完全遗失的问题;通过核方法的引入,使得模型可以灵活应对各种情形:多核模型的建立进一步拓宽了模型的适用范围,减少了模型在核函数选择时的复杂度。实验表明,在lncRNA-蛋白质交互推断问题的多个特征数据集上,相对于其他方法,MKSNS对于绝大多数的评估指标都取得更好的预测效果。针对当前大多数交互推断模型不能有效利用多源信息、过于依赖已知交互网络、参数鲁棒性较差和对没有交互信息的孤立样本的预测能力有限等现象,提出了一种基于多网络融合和邻域双向传播的交互预测模型（MNF-NBP）。大多数的生物实体交互推断问题具有交互样本比例少和没有确定的无交互样本的特点,并且由于技术条件的限制导致单一数据源往往不能包含完整的信息。为了能够获取更为准确生物网络结构,同时避免模型对已知交互的过于依赖,该模型通过整合多源信息来构建网络,并对异构网络数据进行融合,有效的消除由于单数据源的信息缺失而导致的网络偏差。此外,该模型利用网络补全策略来减轻稀疏的交互网络带来的误差,并提出了一种邻域双向传播模型来保证异构网络信息的交流。关于miRNA-疾病交互推断实验表明,MNF-NBP模型不仅可以有效的预测未知交互,还可以预测没有任何交互信息的孤立样本。针对大多数的子空间学习模型不能有效整合多源特征和网络结构,不能既体现标记样本的重要性又能挖掘未标记样本信息,不能有效整合异构数据源信息等问题,提出了一种基于图的异构网络稀疏子空间集成学习模型（GHNSSL）。该模型通过设置重要性水平来分层利用样本标签信息,利用邻域拉普拉斯正则化算子来保证子空间特征的光滑性,构建异构网络的稀疏子空间学习模型来整合样本的原始特征信息,并提出了一种加权的K邻域特征补全策略来拓展模型对于孤立样本的预测性能。关于两个交互推断问题（lncRNA-蛋白质交互推断和病毒人体蛋白质交互推断）的实验结果表明,该模型针对新的交互和孤立样本都有很好的预测性能,并且对于含噪声的交互网络有相当的鲁棒性。本文提出的模型以生物问题为主要研究对象,在生物实体交互关系推断问题上取得了较好的应用效果。除此之外,本文提出的多核邻域相似性的网络构建模型、多网络融合和邻域双向传播模型和基于图的异构网络稀疏子空间集成学习模型具有一定的理论价值,这些方法也适用于其他领域的相关研究。