随着生物信息学的不断发展,处理和分析海量生物数据对于药物开发、疾病诊疗、生物医学研究等多个领域有着积极作用。环状RNA（circRNA）作为一种具有共价闭环结构的新型内源性非编码RNA,可以从多方面调控基因的表达,被验证与人类复杂疾病之间存在潜在关联。目前已有的circRNA-疾病关联预测算法存在缺乏多源数据、没有高效聚合相似性网络特征、特征数据处理过平滑以及特征种类融合不充分等不足之处。为此,本文基于深度学习技术提出了两种新型的circRNA-疾病关联预测方法,其主要工作内容如下:（1）为了解决目前模型缺乏多源数据且没有高效聚合相似性网络特征的问题,本文提出了基于图注意力网络和图卷积网络的circRNA-疾病关联预测方法GATGCN。该模型首先采用中心核对称算法来融合多源数据,并使用注意力网络来聚合相似性网络节点信息以计算潜在特征,在分别得到circRNA和疾病相似性网络的潜在特征后,将其与邻接网络结合以构建异构网络。最后引入图卷积网络模型作用于所构建的异构网络来计算circRNA与疾病之间的关联得分矩阵。通过交叉验证与案例研究等实验验证,结果表明GATGCN算法与已有的方法相比具有更高的AUC值,且在实际应用中的预测结果具有稳定性和可靠性。（2）为了解决已有方法特征数据处理过平滑和特征种类融合不充分的不足之处,本文提出一种基于无偏重启随机游走与变分图自编码器的circRNA-疾病关联预测方法RVGAE。此方法在引入多源数据且充分利用相似性网络计算特征的同时,减少了模型过拟合的风险,并更加有效地将生物特征信息和数据拓扑信息结合使用。本方法在使用中心核对称算法动态融合多源数据之后,通过无偏重启随机游走计算相似性网络的结构特征。同时,将计算得到的结构特征与邻接矩阵拼接以融入关联信息,再通过主成分分析法去除融合过程中产生的数据噪声。最终,将构建的构造关联异构网络和特征异构网络作为变分图自编码器的输入,计算circRNA与疾病之间的关联预测分数矩阵。根据后续的实验结果表明,本方法相较第一种方法具有更高的AUC值。最后,案例研究表明本方法在实际应用场景中的circRNA-疾病关联预测性能较GATGCN也有进一步的提高。