随着医药领域和疾病机理研究的深入,科研人员发现miRNA（microRNA,微小RNA）这一种普遍存在于动植物细胞的大分子,会因其异常表达而导致正常细胞发生病变。同时也发现了miRNA可以作为一种新的药物靶点,可以在特定疾病条件下调节基因表达,产生特定的蛋白质。迄今为止,许多研究人员利用miRNA在分子水平上揭示药物疗效和发病机制。众所周知,传统的湿法实验存在许多问题,例如耗时长、劳动强度大和成本高。因此,需要开发一种新的计算模型来识别miRNA与药物相互作用,这对药物重定向和药物靶标研究都有重大的意义。目前,越来越多预测miRNA与药物相互作用的计算模型被提出。如何从各个生物实体所组成的网络中提取有效的特征信息,如何融合多种特征信息到预测模型中,如何提升模型预测效率一直是该研究领域的热点和难点。本文将基于科研人员的研究基础,将从如下两方面开展主要的研究:（1）针对miRNA与药物异构图层面和自然语言处理技术处理生物数据存在的问题,本文提出了一种基于神经网络模型的MFIMDI模型,用于提取、编码和整合多种生物数据信息。首先,应用结构性深度网络嵌入（Structural Deep Network Embedding,SDNE）来提取miRNA-药物网络中的全局信息和局部信息并嵌入为行为特征;然后把Word2vec算法从药物的SMILES（Simplified Molecular Input Line Entry System,简化的分子输入线输入系统）格式序列和miRNA碱基对序列中提取的语义信息作为属性特征;再通过卷积神经网络和深度神经网络进一步提取特征并让多个特征融合与降维;最后凭低维特征预测潜在的miRNA-药物相互作用关系。在ncDR、RNAInter和SM2miR三个公共数据集上基于五折交叉验证进行了实验,通过多个实验评价标准和案例研究分析可以验证,本文提出的MFIMDI模型对预测miRNA-药物相互作用有良好的效果。（2）针对miRNA与药物节点对层面和异构网络拓扑信息嵌入,本文提出了miRNA-药物相互作用预测模型BNEMDI模型。该模型首先通过二部网络嵌入算法（BiNE）提取在miRNA和药物组成的二部图中的显式关系和隐式关系,再通过联合模型优化后得到二部图中节点的拓扑信息特征。其次,利用k-mer算法计算miRNA序列的表示特征;再者,利用MACCS分子指纹提取药物化学结构的表示特征;最后,过深度神经网络模型将多种特征进行整合和降维。实验证明,通过五折交叉验证法在三组数据集上进行了预测测试,BNEMDI在各个数据集上都取得了优秀的预测结果。经过与其他图表示学习和机器学习分类模型实验对比,可以看出所提出方法的优越性能。对于常见抗癌药物的案例分析也充分说明了我们所提出的BNEMDI模型是具有可行性且预测能力高效且稳定。