药物与靶标相互作用（Drug Target Interaction,DTI）的预测在药物发现中起着重要作用。在大量DTI预测方法中,基于网络嵌入的方法已被证实是可靠且有效。目前基于网络嵌入的方法往往使用重复式随机游走采样节点序列,易生成冗余路径,造成嵌入性能低下。鉴于此,本文设计了基于改进随机游走嵌入的DTI预测算法模型,可有效预测潜在DTI,且优于同类型随机游走嵌入的预测算法。具体成果如下:针对药物靶标网络特征贫乏的问题,搜集并计算不同数据来源的药物与靶标相似度网络,使用相似度网络融合方法对其进行集成,然后使用最近邻算法对集成后的相似度网络提取子网络,与已知DTI共同构建整合的异构药物靶标网络。网络根据已知的四类蛋白质家族（酶,离子通道,G蛋白偶联受体和核受体）划分,每类包括靶标相似度网络、药物靶标相互作用网络及药物相似度网络。提出一种基于弱重复采样式游走嵌入的DTI预测模型（WE-DTI）。模型使用带跳动的随机游走采样并学习嵌入,能够减小重复采样的概率,并扩大嵌入特征的尺度。之后使用随机森林对嵌入向量训练并预测。在基准数据集上进行评估,模型在精确率-召回率曲线下的面积（AUPR）分别达到0.960、0.961、0.805、0.792。对比实验表明,本文提出的模型在嵌入性能上优于Deep Walk等其他的重复采样式游走嵌入方法,在预测性能上优于其他5种DTI预测算法,如DNILMF、DTHybrid等。针对WE-DTI无法完全解决重复采样的弊端,提出一种基于无重复采样式游走嵌入的DTI预测模型（DE-DTI）以解决重复采样问题。DE-DTI使用基于扩散的方式获取嵌入,能够有效避免随机游走重复采样造成的信息冗余。之后采用XGBoost作为分类器训练并预测,预测出的50个DTI中有22个已被实验证实存在。评估环节中,模型在五个数据集上的AUPR分别达到0.970、0.968、0.865、0.840、0.953,在预测性能上优于WE-DTI、SCMLKNN、DDR等7种DTI预测算法。以上实验结果均表明DE-DTI在预测DTI中具有出色的表现,可作为DTI预测的可靠工具。