新药研发投入成本大,研发时间长,为此研究者们希望开发一种新的药物发现方法,缩短研发周期的同时还能提供良好的收益。而药物重定位方法可以加快药物发现过程,因此越来越受到研究者们的重视。此外,随着药物疾病数据的日益增长,使得所有的药物-疾病关联都采用实验方法验证显得不切实际。研究者们开发了很多计算方法为实验验证提供辅助和参考。研究表明,多种信息的整合有助于预测药物-疾病相互作用关系,但是如何高效的整合不同来源的信息仍然是一个具有挑战性的问题,已有的预测方法在预测性能上仍然存在缺陷,本文主要研究如何通过有效整合多种来源的数据预测药物-疾病相互作用关系,进而实现药物重定位和新药物适应症预测。主要工作总结如下:第一,提出了一种基于相似性网络分析的药物-疾病相互作用预测方法。首先,根据收集的多个来源的数据利用杰卡德相似系数构建多个药物相似性矩阵和疾病相似性矩阵。其次,根据得到的多个相似性矩阵建立不同的药物相似性网络和疾病相似性网络,并使用相似性网络融合方法整合各个来源的药物相似性网络和疾病相似性网络。最后,通过已知的药物-疾病相互作用关系把整合后的药物相似性网络和疾病相似性网络映射到一个大的空间,并采用随机游走的方法预测未知的药物-疾病相互作用关系。实验结果表明该模型的预测性能有所提高。第二,提出了一种基于集成学习的药物-疾病相互作用预测方法。首先,根据收集的多个来源的数据利用本文提出的特征构建方法构建多组药物-疾病对样本特征。其次,利用多组药物-疾病对样本特征构建多个分类器。最后,采用集成学习的思想整合多个分类器构建集成模型来预测未知的药物-疾病相互作用关系。交叉验证结果表明该模型在药物重定位和新药物适应症预测上都有较好表现。案例研究结果表明该模型具有一定的实用性。