人类的细胞中含有大量的MicroRNA（miRNA）,它们属于重要的内源性小分子非编码RNA。近年来,许多研究已经表明miRNA不仅与细胞的增殖、分化、发育、代谢、凋亡等多种重要的生物学过程有关,而且与肝癌、乳腺癌等人类复杂疾病有关。因此,探索潜在的疾病相关miRNA有助于理解不同疾病的分子机制,且能够进一步提高复杂疾病诊断的准确性。虽然早期已经有很多的传统生物方法被用于推断miRNA与疾病之间的关系,但是这些方法几乎都存在设备昂贵和周期较长等弊端,且只有较少的疾病相关miRNA能够被确认。随着miRNA与疾病相关的生物学数据被逐渐挖掘,一些高可信度的公开数据库被逐渐建立。研究者利用这些公开数据库中的信息,通过设计高效精确的计算方法预测潜在的miRNA-疾病关联,弥补了传统生物方法中存在的不足。本文综合利用miRNA和疾病的生物学数据,基于自编码器提出了三种针对疾病相关miRNA预测问题的计算模型。（1）构建了基于自编码器的预测模型（AEMDA）。首先,针对疾病和miRNA相似性信息不足的问题,AEMDA模型分别为疾病和miRNA计算了高斯核相互作用相似性,使其与疾病语义相似性和miRNA功能相似性进行整合,从而降低了相似性矩阵的稀疏性。其次,为了构建高质量的特征,该模型将miRNA相似性数据与疾病相似性数据进行拼接,生成能够表示miRNA-疾病对的原始特征,并将其输入到自编码器中提取miRNA-疾病对的深度特征。最后,随机森林根据深度特征输出对应的miRNA-疾病对关联分数,以判定该miRNA是否与疾病相关。（2）实现了基于自编码器和奇异值分解的预测模型（AESVD）。为了进一步解决相似性数据的稀疏性问题,AESVD模型运用相似网络融合方法分别对疾病相似性和miRNA相似性进行处理。继而,为了使目标特征向量既包含非线性信息又含有线性信息,AESVD模型使用自编码器根据相似性信息提取疾病和miRNA的非线性特征,以及利用奇异值分解根据关联信息提取疾病和miRNA的线性特征,然后将不同类型的特征整合成为miRNA-疾病对的特征向量。最后,为了得到准确的预测结果,该模型将特征向量输入到极限梯度提升算法中生成相应的miRNA-疾病对关联得分,完成疾病相关miRNA的识别。（3）设计了基于图卷积自编码器的预测模型（GCAEMDA）。为了设计信息丰富的miRNA和疾病的嵌入,GCAEMDA模型应用相似核融合方法整合不同类型的相似性数据,并结合miRNA-疾病关联信息构建异质网络,从而提取miRNA和疾病的嵌入。GCAEMDA模型在分别设计基于miRNA和疾病的子网络的基础上,依据miRNA和疾病的嵌入,使用图卷积自编码器计算miRNA与疾病之间的预测得分。最后,GCAEMDA模型采用平均集成的方法使两个子网络中输出的预测分数相结合,生成miRNA与疾病之间的关联得分,以此实现miRNA与疾病之间的相关性判定。交叉验证实验和案例分析实验结果表明,AEMDA、AESVD和GCAEMDA模型均能够有效地预测与疾病相关的miRNA。