药物靶标的快速识别在药物开发过程中可以发挥关键作用,它可以阐明潜在的治疗特性。然而,由于传统的生物实验方法费时又昂贵,以至目前仍存在着大量未知的药物靶标相互作用等待着被验证。因此,近年来许多研究人员开始使用智能算法来解决药物靶标作用关系的预测问题,尽管这些方法在一定程度上可以有效地预测出药物靶标相互作用,但它们忽略了药物靶标网络中的链路生成机制,以及现有药物或靶标的相关辅助数据也存在大量缺失的问题。为了解决上述存在的问题,本文提出两种挖掘药物与靶标潜在关联的研究方法,主要工作如下:（1）提出了一种基于多源数据非线性融合和网络结构扰动的药物靶标预测方法,NFSPDTI。该方法考虑到现有方法忽略了药物靶标网络中的链路生成机制这一点,NFSPDTI基于结构扰动的思想充分利用了药物靶标网络的链路生成机制特征。首先该方法分别计算了多种药物和靶标的相似度,然后利用非线性相似性扩散算法将不同的药物相似性信息和不同的靶标相似性信息进行融合,以构建出更可靠的药物和靶标相似性网络。接着,利用得到的药物、靶标相似性扩散网络和已知的DTI网络,设计了一个对称双层网络。最后,利用链接生成机制的思想预测出药物与靶标的潜在相互作用。实验结果表明,与现有方法相比NFSPDTI能更准确地识别出潜在DTIs,且在不同实验设置下的预测性能更稳定。（2）提出了一种基于矩阵补全和线性邻居表示的药物靶标相互作用预测方法,MCLNR。该方法在进行预测前引入矩阵补全技术的思想对未完善的相似性数据进行补全,解决了传统DTI预测方法忽略了现有药物或靶标相关辅助数据也存在大量缺失的问题。首先基于药物的副作用、靶标的PPI及已知的药物靶标相互作用数据,分别计算了两种药物相似性和两种靶标相似性。然后,引入矩阵补全技术的思想对未完善的相似性数据进行了补全以增强他们的信息丰度,构建出信息量更大的相似性网络。接下来,提出了一种加权组合策略分别对药物相似性和靶标相似性进行整合以得到综合的药物相似性及靶标相似性。之后,利用得到的药物综合相似性、靶标综合相似性和已知的DTI网络,构建了一个异构网络。最后,利用线性邻居表示学习的思想来预测出潜在的DTIs。实验结果表明,MCLNR可以有效的预测出潜在的DTIs,所预测的大部分新关联存在着实验依据。