人体内的微生物与人类疾病的发生与发展有着紧密的联系。识别疾病相关的微生物在疾病的治疗以及诊断方面发挥着重要的作用。随着与疾病和微生物相关的大量生物学数据的产生,人们已经提出了越来越多的计算方法来预测疾病微生物关联关系。但现有方法大多只考虑使用一种单一的模型来预测疾病-微生物关联关系且没有充分利用疾病模块和微生物模块的信息,忽略了多个模型在预测性能上的互补性,使得预测准确率欠佳。本文首先提出了一种基于非负矩阵三分解NMTF（non-negative matrix triple factorization）的方法来预测疾病微生物关联关系。该方法将已知的疾病微生物关联关系矩阵分解为三个矩阵:疾病特征矩阵、微生物特征矩阵和疾病特征-微生物特征关联矩阵。在目标函数设置时不仅根据数据的特殊性考虑到矩阵的稀疏性惩罚项和矩阵结构性惩罚项,还综合考虑了疾病的模块性、微生物的模块性,最后将疾病特征矩阵、微生物特征矩阵以及特征关联矩阵相乘来重构疾病微生物关联矩阵从而预测新的疾病微生物关联关系。我们将NMTF应用到两个不同规模的疾病-微生物关联关系数据集进行验证。实验结果表明,在缺失部分疾病-微生物关联关系时,NMTF的性能要明显优于现有的四个方法。但是在给新的微生物或新的疾病预测关联关系时,NMTF的性能还有待提高。考虑到非负矩阵三分解模型和双随机游走模型各自的特点,非负矩阵三分解侧重于提取疾病和微生物的低维向量表示,双随机游走模型侧重于提取疾病结点和微生物结点的邻居信息。NMTF和双随机游走重构的疾病微生物关联矩阵所提取的特征是疾病和微生物的线性特征。为了综合疾病、微生物线性和非线性特征来预测疾病-微生物关联关系,本文提出了一种多角度特征融合模型MVFA（Multi-View Feature Aggregation）。该模型首先利用NMTF模型和双随机游走模型提取疾病和微生物的线性特征,然后将线性特征进行融合得到增强特征,再将增强特征输入到胶囊神经网络提取疾病、微生物的非线性特征并获得新的预测结果,最后再使用逻辑回归模型融合了非负矩阵三分解预测的结果、双随机游走模型预测的结果以及胶囊神经网络预测的结果来得到最终预测的疾病微生物关联关系打分。我们将MVFA应用于两个不同规模的疾病-微生物关联关系数据集来验证模型的预测准确性。实验结果表明,本文提出的融合模型对于疾病微生物关联关系预测的准确率较非负矩阵三分解模型和双随机游走模型以及其它现有模型都有一定提升。