新药物的研发过程是昂贵和费时的,且具有较高的损耗率,提高药物研发的成功率有助于大大降低药物的研发成本。药物重定位技术,即从已批准或成熟的临床使用药物中识别新的适用症状,能够有效的提高药物研发效率。因此,药物重定位对药物发现具有至关重要的作用,已成为目前药物研发领域的研究热点。生物医学数据的积累为药物重定位研究提供了丰富的数据,但是如何挖掘药物分子结构图中的信息和多来源数据中药物-疾病的关联关系是本领域研究者关注的重要问题。为此,本文基于图卷积神经网络,进行了如下两方面的研究工作:（1）针对现有的药物-靶点相互作用预测任务中,药物化合物的分子结构没有被充分的利用的问题,提出融合多层图信息的Transformer网络用于药物-靶点相互作用预测。在该模型中,将药物分子的SMILES序列表示为图结构,使用融合多层图信息的Transformer网络来捕获药物化合物分子结构中原子的特征信息,更深层次的挖掘药物分子结构中不同原子之间的相互作用信息;同时使用卷积神经网络来捕获靶点序列中局部残基信息,提取靶点的特征信息;最后使用全连接神经网络进行药物-靶点相互作用关系的预测。在Drug Bank数据集上的实验结果表明,该模型可以有效的用于药物-靶点相互作用预测,且性能优于基于靶点序列结构的模型;在药物重定位实验中,该模型可以找到COVID-19的治疗药物,证明了该模型具有药物发现的能力。（2）针对药物重定位研究中,缺乏对邻域信息的交互学习和依赖先验知识的问题,提出基于对比学习的异构邻域网络用于药物重定位研究。在该模型中,设计了基于图卷积神经网络的单邻域特征提取模块和多邻域特征提取模块分别用于提取药物-药物（疾病-疾病）相似性网络和药物-疾病关联网络中药物和疾病的特征信息,并利用对比学习和三元损失将单一领域特征和多邻域特征进行融合和特征优化,提升不同邻域空间的信息交互,最后采用注意力机制将多来源信息进行整合。在多个数据集上的实验结果表明该模型的性能优于目前几种最先进的预测方法,可以有效进行药物-疾病关联关系预测;在阿尔茨海默症的药物重定位实验中证明该模型具有较好的发现治疗药物的能力。经过实验,本文提出的方法在药物重定位研究中可以有效解决相关问题,且具有较好的性能,为药物重定位提供了新的方法。在今后,致力于挖掘靶点和蛋白质的空间结构信息,并将其用于药物重定位的研究中,以提升模型的实用价值,降低药物研发成本。