MicroRNAs（miRNAs）是一类长度约为22-24核苷酸的内源非编码RNA。大量研究表明miRNA和各种疾病的发生和发展存在密切的联系。因此识别与疾病相关的候选miRNA有助于探索疾病的发病机理。利用生物学实验的方法可以获得可靠的与疾病相关的候选miRNA,然而这种方法耗时长、花销大。近年来越来越多的研究人员提出计算预测的方法来筛选有潜力的与疾病相关的候选miRNAs。然而,miRNA-疾病双层网中存在多种连接边并且这些连接边存在着非线性的复杂联系。先前的方法属于浅层的预测模型,无法深度挖掘这样的联系。此外,miRNA节点的属性特征,即miRNA所从属的家族和分簇信息也没有被深度整合。本文构建了一个带有节点属性的双层网来整合miRNA和疾病节点,以及这些节点之间的多种连接,以及miRNA节点的属性。提出了三个基于双层网络的miRNA-疾病关联预测方法,实验结果表明本文的模型在预测miRNA与疾病关联方面优于几个先前的方法。主要的贡献如下:（1）miRNA-疾病双层网中节点对邻居拓扑研究,本文提出一个基于生成对抗网络和卷积自动编码器的预测模型（简称GMDA）,来编码和整合miRNA和疾病节点的多个表示。一个带有节点属性的双层异构网被建立来利于学习miRNA-疾病节点对层面的邻居拓扑表示。该网由多种连接边组成,来嵌入miRNA和疾病的相似性和关联以及miRNA相关的家族和分簇属性。节点对层面的邻居拓扑基于被提出的模型从该双层网中被学习。建立了基于卷积的自动编码和解码的生成器,来重构一对miRNA和疾病节点的邻居拓扑特征嵌入。编码器基于多层卷积层,编码得到节点对的邻居拓扑表示,然后基于多层反卷积的解码器重构节点对的邻居拓扑嵌入。建立了基于多层卷积的判别器,来判别生成器生成的假的邻居拓扑嵌入和原始真的拓扑嵌入。该判别策略有助于生成器生成尽可能真的邻居拓扑嵌入,以取得miRNA-疾病节点对的邻居拓扑表示。最后,构建了一个基于特征类别层面的注意力机制,来自适应的整合三种表示,并用于最终的miRNA-疾病关联预测。在公共数据集上进行测试,通过多个评估标准和案例研究分析发现GMDA均优于五个最新的miRNA-疾病预测模型。（2）miRNA-疾病双层网中网络表征学习研究,我们主要的目标是获得miRNA-疾病节点对的网络嵌入表示,因此,提出了一个基于网络表征学习的miRNA-疾病关联预测模型（简称NEMDA）。首先,采用与GMDA相同的策略,利用miRNA相似性、miRNA节点属性、疾病相似性以及它们之间的关联构建带有节点属性的双层网,用来嵌入miRNA与疾病节点对的邻居拓扑信息和节点的属性分布信息。通过多层卷积自动编码器来捕捉节点对的邻居拓扑信息,得到邻居拓扑的低维向量表示。通过多层卷积变分自动编码来学习miRNA和疾病节点的属性分布,将编码部分的输出作为节点属性分布的低维向量表示。然后,通过表示层面的注意力机制模块,自适应融合这两种表示和相应的miRNA家族和分簇信息。最后,通过全连接和1)8)(6层得到一对miRNA与疾病的关联得分。实验结果表明,NEMDA具有比其他几个miRNA-疾病关联预测模型更优越的性能。（3）miRNA-疾病双层网中拓扑结构以及属性信息研究,本文提出一个基于图卷积和生成网络的miRNA-疾病关联预测模型（简称DGMDA）。首先,构建一个双层异构网来整合miRNA和疾病节点,以及这些节点之间的多种连接关系,包括miRNA相似性、疾病相似性、miRNA和疾病关联。然后,引入了基于图卷积的节点对拓扑结构表示模块,来学习miRNA-疾病双层网中一对miRNA和疾病的拓扑结构信息。之后,通过基于生成对抗网络的节点对属性表示模块,学习节点对的原始属性信息,来生成节点对属性表示。最后,通过带有表示层面注意力机制的分值评估模块,来区别节点对的拓扑表示和属性表示之间的贡献并输出一对miRNA和疾病的关联预测得分。