近年来,表示学习、深度学习在很多领域大放异彩。这些算法结合实际问题建模能起到很好效果,将其引入生物信息学也是近期的热点趋势之一。新一代测序技术及海量数据为科学家研究生物分子相互作用提供了便利。MicroRNA（miRNA）是一种生物小分子,通过多种方式调控基因（gene）表达,与很多复杂疾病有关。miRNA,gene以及疾病这三者构成了一个复杂的网络。如果能够更准确地预测miRNA和gene的潜在关联,就可以更好地探索复杂疾病致病机制,提供精准医疗方案。为此,本文结合表示学习、深度学习以及miRNA与gene的序列和网络信息,提出了两种基于表示学习方法的miRNA-gene关系预测算法,主要工作如下:（1）基于序列的经典miRNA-gene关系预测方法存在着筛选准确特征较难,未高效利用已知信息,选取特征不适合深度学习方法等不足。对此,本文提出了结合miRNA与gene的序列和网络信息的表示学习miRNA-gene关系预测算法SG-LSTM（Sequencial and Geometrical Long Short-Term Memory）。该算法使用了Doc2vec方法来学习miRNA和gene的序列信息,使用了Role2vec方法学习miRNA和gene的拓扑网络信息。在融合了多维度嵌入之后,使用已知关系对构建数据集。最后引入长短期记忆神经网络训练预测模型,计算潜在关系对的分数进行关系对的预测。交叉验证表明,SG-LSTM算法可以取得较高的AUC(Area Under Curve(值。预测强度向量以及和经典预测方法的交集表明,SG-LSTM算法可以有效预测潜在的miRNA-gene关系对。（2）生物信息学中负样本选取问题一直困扰着研究者们。基于距离方式生成的负样本,被假定为没有关系,但这并不代表他们真的没有关系。为了解决此问题,本文提出一种基于表示学习人工嵌入负样本的miRNA-gene关系预测方法,GAN-NEG。该算法首先通过序列匹配miRNA种子区域过滤出有生物意义的正样本。随后,引入其他方法中有生物意义的负样本扩增负样本的数量。最后,将负样本送入WGAN-GP（Wasserstein Generative Adversarial Networks-Gradient Penalty）模型中训练生成人工嵌入负样本,构造新的数据集。实验表明,该方法相比之前的算法在交叉验证中有更高的AUC值。更强的预测强度向量以及和经典预测算法更大的的交集表明,GAN-NEG预测算法的预测性能相比SG-LSTM算法有了进一步的提高。