药物研发是一个相当耗费时间以及成本高昂的过程,在新的药物研发的过程中,为了研发出安全有效的新药物,需要进行反复测试以及大量的临床实验的化合物就高达成千上万种。药物研发一般需要经过临床前研究,临床研究,FDA药品审查过程以及上市后的安全监控等漫长的步骤及监管,其研发的时间维度可见一斑。通常,药物平均研发周期在10到15年,约8亿美金研发成本,一般来说,90%的新型药物无法通过一期临床验证,研发过程中带来的高污染等问题也给新药研发带来了许多的挑战和坎坷。随着大数据技术的不断发展以及算力的增强,越来越多的研究聚焦于使用大数据来研究老药新用即药物重定位领域,其研发目的在于通过机器学习等算法来实现加速中间步骤（如药物发现以及临床前研究的阶段）,降低成本,以及使得药物研发在早期阶段能够实现更好的筛选药物以及预测分子特性的目的,不仅可以节省大量的研发成本而且能够显著的降低后期实验的工作量。本文的主要研究内容是基于多源异构药物信息网络的药物重定位技术研究,具体研究内容包括:（1）提出了一种基于深度学习的药物-疾病预测模型Graph DDF。该模型首先通过随机游走算法对多源异构药物信息网络进行了数据预处理操作,并通过Graph CNN模型融合多源药物信息网络的节点嵌入表示,结合集体变分自编码器作为输入数据,通过重构药物节点的嵌入表示和已知的药物-疾病的关联关系完成训练。不仅可以免去传统特征提取造成的人为误差,同时结合随机游走算法生成的初始特征作为输入,免去了稀疏的初始向量带来的参数负担,同时结合Graph CNN模型能够更好地融合多源异构网络中节点的特征信息和复杂的非线性网络拓扑结构,通过最终训练得到的网络低维嵌入作为节点的有效表示,并结合集体变分自编码器做药物和疾病的最终预测。通过实验结果说明,在不同的正负样本场景下,Graph DDF模型相较于其他对比模型具备更高的预测性能,AUC达到93.48%,AUPR达到94.82%。同时,通过计算十次实验的平均值的方式,提供了前100的药物-疾病关联关系序列,结合Drug Bank和借鉴文献对前列较为有潜力的预测关系进行了说明,部分药物-疾病关系已经被收录在Drug Bank中。（2）提出了一种基于图神经网络的药物-靶标预测模型Graph DT。通过重启随机游走算法对药物信息网络中的节点做数据预处理,得到预处理后的节点的特征表示后,将数据中的同构网络和特征表示作为输入,运用多种图神经网络模型训练最小化损失的基础上选择最优的药物-靶标预测模型。评价指标上选用了AUC和AUPR,在十倍负采样和全负采样的数据下进行十折交叉验证的对比,经实验表明,Graph DT在不同场景下预测药物-靶标关联关系,AUC和AUPR评价指标均优于其他对比模型,其中Graph DT模型AUC值为91.97%,AUPR值为82.19%。另外,为了减小实验误差,通过十次实验计算药物-靶标关联关系预测分数的平均值的方式,选取了前列较为有潜力的部分药物-靶标关联关系进行了简要的讨论分析,并提供了前100的药物-靶标预测关联关系,这些药物-靶标关系具有更大的应用于药物重定位的可能性。