近几年,专家学者们通过对大量数据的统计分析发现,癌症、阿尔兹海默症和糖尿病等重大疾病的发展调控机制与lnc RNA和mi RNA等RNA分子之间存在着重要关联。因此,设计提出有效的lnc RNA-疾病关联（Lnc RNA-Disease Association,LDA）预测方法和mi RNA-疾病关联（Mi RNA-Disease Association,MDA）预测方法对于复杂疾病的预防、诊断和治疗有着巨大的益处。在目前的研究中,协同矩阵分解方法（Collaborative Matrix Factorization,CMF）和图正则矩阵分解方法（Graph Regularized Matrix Factorization,GRMF）被广泛的应用于RNA-疾病关联预测方向。尽管这些方法具有良好的预测性能,但仍存在不足。首先,传统CMF方法忽略了相似性矩阵中的噪声对方法预测性能的干扰,导致方法的鲁棒性不足;其次,使用单一的相似性矩阵无法充分挖掘到数据集中的潜在信息,导致方法的预测性能下降;另外,传统CMF方法忽视了数据空间内部的几何结构信息,这也会导致算法精度不高。针对上述问题,本文对CMF方法进行了改进,并使用LDA数据集和MDA数据集对改进方法的性能进行了评估分析。本文具体的内容如下:（1）针对传统协同矩阵分解方法易受噪声干扰的问题,提出了双稀疏协同矩阵分解（Dual Sparse Collaborative Matrix Factorization,DSCMF）方法。通过在传统协同矩阵分解方法中引入L2,1范数,使矩阵产生行稀疏,可以消除冗余数据并且降低数据中噪声值对预测精度的影响,从而增强算法的鲁棒性。同时,在方法中添加高斯互作谱核（Gaussian Interaction Profile,GIP）用于计算lnc RNA的网络相似性和疾病的网络相似性,增加网络拓扑结构,从而挖掘更多的潜在信息。最后将该方法用于LDA预测,成功的预测出了许多新关联。（2）针对传统协同矩阵分解方法相似性矩阵单一,预测能力较弱的问题,提出了多标签融合协同矩阵分解（Multi-Label Fusion Collaborative Matrix Factorization,MLFCMF）方法。首先,该方法引入多标签学习来优化lnc RNA空间与疾病空间,降低原始单一相似性矩阵中噪声值的影响。其次采用非线性的融合方法对多标签进行归一化、迭代整合以及添加权重矩阵等处理,避免了在融合的过程中引入噪声。同时,通过权衡不同标签的作用来获得更为全面的信息,可以有效防止标签信息的丢失,消除标签内部的噪声,从而增强算法的鲁棒性。最后将该方法用于LDA预测,实验结果显示该方法拥有很好的预测性能。（3）针对传统协同矩阵分解方法忽视了数据空间内部几何结构的问题,提出了双网络稀疏图正则矩阵分解（Dual Network Sparse Graph Regularized Matrix Factorization,DNSGRMF）方法。首先,图正则化项的引入使方法在训练过程中可以充分考虑原始数据的流形结构,充分学习到原始数据空间内部的几何信息。而L2,1范数的引入可以消除冗余信息,使矩阵产生行稀疏,增强算法的鲁棒性。另外,引入GIP核来计算mi RNA网络相似性矩阵和疾病网络相似性矩阵,可以从原始数据中挖掘到更多的潜在信息。该方法最终被用于MDA预测,结果显示该方法拥有较高的预测性能。最终的实验结果表明,本文提出的各种方法均有效地减少了原始数据的噪声,具有很好的鲁棒性,能大大提高预测精度。