随着生物制药技术的快速发展,药物相互作用（Drug-Drug Interactions,DDI）已成为医学领域对药物研究的重要研究内容。药物相互作用是指当两种或多种药物同时使用时,其中一种药物可以影响另一种药物的药效,导致不良反应、拮抗作用或协同作用。因此,预测DDI是临床医生和药物研发人员需要重视的问题。现在有许多计算方法和工具可用于预测DDI,包括基于结构、药物代谢途径和药物-靶标相互作用等方面的方法。这些方法可以提高DDI的预测精度和效率,并在新药开发和临床应用中发挥重要作用。然而,预测DDI仍然是一个具有挑战性的问题,需要进一步研究和改进。针对现有的药物相互作用预测算法大多未能很好地整合药物分子特征和药物相互作用网络结构等问题,本文提出了一种基于深度多模态特征融合的DDI预测算法DMFDDI,该算法融合药物分子图、药物相互作用网络和药物的生物化学特征相似性等多种特征来预测DDI。在药物分子结构提取模块,为了充分提取药物分子结构,引入注意力门控图神经网络来获取分子图的全局特征和每个原子的局部特征。在药物相互作用网络特征提取模块,引入稀疏图卷积网络来学习DDI网络的拓扑结构信息。在多模态特征融合模块中,采用注意力机制有效地融合不同特征。为了验证DMFDDI的性能,本文将其与八种当前先进的算法进行了比较。对比实验的结果表明,DMFDDI在DDI预测中具有较好的性能。同时通过消融实验,分析了算法的不同模块对性能的影响。通过案例分析验证了DMFDDI预测结果的可解释性。针对现有的药物相互作用预测算法较少涉及到多类型预测的问题,本文提出了一种基于多图卷积以及特征深度融合的多类型药物相互作用预测算法MGDF。为研究多类型药物相互作用的预测,首先根据特征相似性构建最近邻视图,并在局部拓扑关系的邻接视图外添加了一个扩散视图,集成多个视图有助于捕获更全面的药物特征;同时,在图卷积模块加入多头注意力机制和残差连接来改进模型;最后,分别在特征提取模块以及特征融合模块进行特征提取和融合,引入注意力机制将不同的药物特征进行有效融合,从而更全面地表征药物,提高药物嵌入信息的丰富度。为了验证MGDF的性能,本文将其与六种当前先进的方法进行了比较。对比实验的结果表明,MGDF在DDI多类型药物相互作用预测中具有较好的性能,并通过消融研究验证了MGDF模型各个模块对预测结果的贡献。