新药研发是一个昂贵、费时并且高风险的过程。尽管近年来技术发展迅速且药物研发投入不断增长,但药物研发的成功率依然没有增长的趋势。药物重定位（Drug Repositioning）是一个挖掘已知药物新适应症的过程,它能显著加快药物研发进程并降低药物研发的成本与风险。因此,药物重定位引起了广泛的关注,并成为了一种重要的药物研发策略。近年来,研究者提出了许多药物重定位计算方法并且取得了很好的效果。但是现有方法依然存在一些问题。首先,这些方法使用到的关联数据十分有限,忽略了药物和疾病与其他生物实体间的多种关联;其次,现有方法考虑到的特征较为单一,没有综合考虑药物和疾病的多种模态特征,这会导致模型的泛化性较差;最后,现有方法在融合药物和疾病的特征时通常使用简单的相加或拼接方法,没有充分考虑特征的特异性,导致大量信息丢失。综上所述,现有的药物重定位方法在数据方面、特征方面和特征融合方面都有较大的提升空间。为了解决上述问题,本文提出了一种基于知识图谱先验知识的多模态药物重定位方法Graph PK（Graph-based Prior Knowledge）。在数据方面,Graph PK利用药物和疾病与其他生物实体间的多种关联构建了知识图谱,知识图谱能够为药物重定位预测提供丰富的先验知识信息;在特征方面,Graph PK分别从知识图谱、已知关联和生物领域知识这三种模态的数据中提取了药物和疾病的特征。这三种模态的特征能够帮助模型更好地进行药物重定位预测,提升模型的泛化性;在特征融合方面,Graph PK设计了一个多模态神经网络来融合多模态特征并进行药物重定位预测。该多模态神经网络充分考虑了药物和疾病的多种模态特征的特异性,提升了信息的利用率。实验表明,Graph PK取得了比其他现有方法更优秀的预测性能。并且,本文还研究了三种模态的特征以及特征提取方法对于模型性能的影响。最后,案例研究证实了本文提出的Graph PK具有较强的实际应用价值。