长链非编码RNA（long noncoding RNAs,lnc RNAs）被定义为长度大于200个核苷酸的非编码RNA。lnc RNAs在早期一直被人们认为是转录噪声,直到最近的研究证明lnc RNAs具有丰富的生物功能,几乎参与所有的生命过程。lnc RNAs的突变和失调与许多疾病相关,在生物体内发挥着重要作用。因此,识别新的与疾病相关的lnc RNAs有助于人类理解lnc RNAs的功能、识别生物标志物和发现药物,并有助于疾病的诊断、治疗、预后和预防。然而,现有的计算方法仍然存在一些问题,例如目前被实验证实的lnc RNAs与疾病之间的关联相对较少,数据集中固有的噪声以及无法对相似性矩阵进行有效融合等,这极大的限制了现有模型的预测精度。因此如何可靠有效地预测特定疾病的相关lnc RNAs仍然是一项具有挑战性的任务。为了解决这些问题,本文主要做了以下研究:（1）提出一种基于鲁棒多标记学习的方法来预测lnc RNAs与疾病的关联关系。首先,算法分别为lnc RNAs和疾病构建一组相似性矩阵,包括疾病语义相似性、lnc RNAs功能相似性、lnc RNAs和疾病的余弦相似性以及高斯相互作用谱核相似性矩阵。随后,算法采用?1范数来自适应地更新整合的lnc RNAs和疾病相似性矩阵,以获得更加清晰的相似性结构。最后,使用基于图的多标记学习框架更新关联矩阵,以揭示lnc RNAs空间和疾病空间之间的潜在一致性。在五个常用数据集上的实验结果表明,本文所提方法在五折交叉验证和留一交叉验证预测中都可以取得很好的效果。前列腺癌的案例分析进一步证实了所提方法在识别lnc RNAs作为潜在预后生物标志物方面的有效性。（2）提出一种基于多视图和多标记学习的方法来预测lnc RNAs与疾病的关联关系。同样地,算法首先为lnc RNAs和疾病构建一组相似矩阵。随后,为了能够更好地挖掘不同相似性视图中的潜在共享信息,算法采用基于全局相似性图引导的多视图模型来获得全局的相似性矩阵。此外,算法利用多标记学习将lnc RNAs空间和疾病空间的关联关系预测整合到统一的框架中。在三个常用数据集上的实验结果表明,本文所提方法在多种交叉验证场景下均能获得良好的预测性能。最后,本文将所提算法应用于宫颈癌相关的lnc RNAs预测,文献挖掘和生存分析均证明了预测结果的合理性。