本文首先研究两个相关关系矩阵(对称矩阵或非对称矩阵)之间的相关关系,给出预测并解决如下问题:网络间相关性检验以及高维网络中包含不可观测的潜变量结构问题。对网络(相关系数矩阵)进行矩阵奇异值分解(SVD)获取低秩因子(潜变量),对低秩因子构建Wilks’Lambda统计量以检验网络间的相关性。若检验显示存在显著线性关系,则对低秩因子构建线性回归模型。若检验结果显示非线性关系,采用非线性模型,并使用极大似然估计法对模型参数进行估计。获取待估低秩因子(潜变量)后,可使用矩阵奇异值分解等方法对低秩因子进行还原,进而可以对网络中缺失地相关关系进行填补,对潜在相关关系进行预测。其次,受正态分布下的精度矩阵相关性质对缺失值识别的启发,对一般连续型分布的样本通过高斯Copula模型转换至正态分布中以识别该分布下缺失值。通过该步预测,为之后的缺失值填补提供合理有效的判断和解释。并针对高维复杂数据的稀疏性、混合数据等特性分别引入逆回归模型,混合数据的潜变量高斯Copula模型等方法以解决相应的问题,为模型推广至高维复杂数据中提供理论支持。最后,通过数值模拟小样本下模型结构,通过对对称网络回归系数、缺失值填补、未知节点关系、以及非对称网络缺失值填补预测等四个实验模拟,发现各评价指标显示相较于对比方法,模型效果较好,且随着数据维度增加,模型效果更佳。在实证分析章节,对四个包括药物结构相似性、靶点蛋白序列相似性和药物与靶点相互作用的数据集进行分析,一致发现在相似性检验以及模型预测过程中均优于对比方法,尤其在降维过程中,降维效果显著。