糖尿病是席卷全球的重大疾病，对人类生命健康有巨大威胁，在此其中2型糖尿病占糖尿病总发病率的90％，主要表现为机体胰岛素相对缺乏，体内血糖较高，并同时伴随一系列并发症。由于它的发病机制较为复杂，仅仅运用传统的“一种疾病，一个靶标，一种药物”药物设计策略不能有效地发现活性好且毒性低的药物。所以论文的第一部分从网络药理学的视角，系统性地构建了2型糖尿病的药物-靶标、靶标-疾病相互作用网络，在此网络基础上进行合理的药物设计和筛选工作，并最终取得了较好的结果。在该研究中，通过基于网络推理的药物-靶标预测方法(NBI)，基于子结构-药物-靶标网络推理算法(SDTNBI)和平衡的子结构-药物-靶标网络推理算法(bSDTNBI)来构建预测网络模型，深入地研究2型糖尿病潜在的致病机制和已上市药物的毒副作用，并合理地筛选抗2型糖尿病新型药物。最终在我们建立的36组预测模型中，bSDTNBI方法结合FCFP4指纹在全局网络模型中预测结果是最好的。为了进一步提升模型的预测能力，我们还对bSDTNBI的全局模型中的α、β、γ三个参数做了相应优化，最终AUC值达到0.985。接着我们通过Fisher统计检验对预测的化合物-靶标相互作用网络进行了化合物的筛选，挑选了p-value处于0.003到0.01之间的化合物进行进一步的靶标-通路研究，发现了一些具有双向靶标作用的药物，并得到了文献验证，说明我们的模型具有可靠的预测能力，并且对于2型糖尿病药物-靶标关系的研究是有重要意义的。在论文的第二部分，我们围绕药物的药代动力学性质进行了血脑屏障渗透性模型的研究。其中使用了6种不同的机器学习方法和5种解决不平衡数据方法，成功解决了血脑屏障(Blood-brain barrier，BBB)渗透性数据集不平衡的问题，并通过运用组合分类器的思想合理地构建了具有高准确性、高灵敏度、高特异性的二分类血脑屏障渗透性预测模型。在单一模型的比较中，我们发现使用MACCS分子指纹联合支持向量机分类器和过采样方法可显著地改善模型的特异性指标。通过多层感知机搭建的组合分类器准确性要比单一模型高。并且我们还结合子结构频率分析和信息增益等方法挖掘出6种BBB阳性子结构和6种BBB阴性子结构。之后我们运用所建模型对Drugbank全部药物小分子进行预测，发现模型对中枢神经系统的药物有较好的预测和富集能力，并且对于非中枢神经类药物也具有筛选和过滤的能力，这也从侧面验证了我们的模型的可靠性。最后，相应的模型也被更新于我们的ADMET在线预测网站中，供药物研究者使用。