药物重定向分析是用于发现已有药物或在研药物超出原始批准的适应症,扩大其适用范围和用途的技术。相对传统药物研发,该技术能够大大节省药物研发投入的人力物力成本。然而,目前药物重定向仍然存在挑战:1)由于数据的复杂性和多样性,构造药物重定向数据集缺乏统一的标准与规范;2)由于同一药物治疗不同适应症效果不同,大多数药物重定向方法将其看作定性预测问题并非特别合适。针对以上问题,本研究提出了性能更高的基于异质网络的药物重定向方法,构建出了药物疗效对比数据集,并建立结合网络嵌入与排序学习的药物重定向定量预测方法。本文主要包含以下工作:（1）基于网络药理机制的药物分类体系评估。药物重定向通过对药物特征的计算与分析发现新的适应症,反映药物之间的异同点。通过适应症对药物进行分类的国际标准是解剖治疗化学代码（ATC）,因此,计算不同特征数据下的药物相似度,对比分析实际与随机情况下的药物相似度差异,得到药物不同特征与ATC的关系和ATC本身的合理与不足,为构建药物重定向数据集提供了特征选择的重要依据,并为提出新药物分类体系提供支撑。（2）基于异质网络的药物重定向方法研究。针对同质网络或二部图结构的网络信息较为单一的问题,本研究提出基于异质网络的药物重定向方法。首先,通过对比融合不同信息的异质网络,使用不同的网络嵌入表示方法与知识补全方法,综合评估了已有方法在不同异质网络下的药物重定向性能。基于此,提出融合嵌入表示和卷积神经网络的药物重定向方法（Drug redirection method combining embedding representation and convolutional neural network,Con EE＿DR）,实验结果表明:在基于网络嵌入的方法中,Deep Walk性能表现最优,在基于知识补全的方法中,Conv E性能表现最优,相比于这两个方法,本人提出的Con EE＿DR方法在预测性能上分别提升了30.8%和13%,前10命中率和MRR分别达到了0.605和0.350。（3）基于排序学习的药物重定向方法研究。为了从定量角度解决药物重定向问题,本研究通过文献挖掘与人工审核相结合的方式,构建出一个包含药物与适应症等级排序关系的药物疗效数据集,提出了结合网络嵌入与排序学习的药物重定向计算框架DRRNet。实验结果表明,本人提出的DRRNet方法取得了0.9278的NDCG@10,同时,相比基于网络嵌入的最优方法,命中率Hit@10提升27.14%;相比基于知识补全的最优方法,命中率Hit@10提升27.45%。