复杂疾病严重影响人的身心健康,发现疾病致病基因是医学领域一直以来的研究目标。随着生物信息学的出现及生物技术的快速发展,为了克服传统生物医学方法实验周期长、成本高等固有困难,研究者提出许多利用大量生物数据挖掘疾病致病基因的基因优先排序算法。但由于目前已知的基因-疾病关联矩阵仍然非常稀疏,并且缺少基因-疾病之间无关的证据,对基因优先排序算法预测性能造成一定影响。基于功能相近的基因突变可能引发类似的疾病这一假设,本文提出一种基于异构信息融合的PU归纳矩阵补全算法PUIMCHIF(PU Induction Matrix Completion with Heterogeneous Information Fusion)预测人类疾病的候选致病基因。一方面,PUIMCHIF使用不同的紧凑特征学习方法从多种数据源提取基因和疾病的特征,弥补数据稀疏的不足。具体地,使用带重启的随机游走和扩散分量分析方法学习基因和疾病低维的网络特征;使用去噪自编码对基因和疾病的高维数据特征进行降维。另一方面,基于未知的基因-疾病关联关系中多数是无关关系的先验知识,我们采用PU-Learning的策略,将未知的无标记数据视为负例进行有偏学习。我们进行了多组实验验证了PUIMCHIF算法的有效性。在查准率、查全率以及均值百分位数排名(Mean Percentile Ranking,MPR)三个评价指标上,PUIMCHIF的实验结果都明显优于其它算法。在对多基因多疾病进行top-100全局预测分析时,PUIMCHIF算法恢复真实基因关联的概率达到了50%,且MPR值为10.94%,比IMC、CATAPULT等其它方法具有优先级更高的实验验证。