Micro RNAs（mi RNAs）是一类具有调控功能的小分子非编码RNA,它在调节各种细胞过程中发挥着重要作用。研究表明,mi RNA的异常表达与人类恶性肿瘤的发生息息相关,因此研究mi RNA与疾病之间的相关性为探索疾病的潜在发病机制提供了参考。近年来,研究人员建立了大量具有高度可信度的公开数据库,为实验验证提供了mi RNA-疾病关联信息以及相关的生物学信息。为了预测潜在的mi RNA-疾病关联,研究人员利用这些数据设计出高效而精确的计算方法,弥补了生物实验方法研究成本高、研究周期长的不足,为疾病研究提供了新的思路,同时为疾病诊疗提供新的理论依据。目前已有的计算方法虽然有效,但仍存在相似性度量不够丰富、mi RNA-疾病已知关联稀疏、模型预测准确性不高等一些亟待解决的问题。针对这些问题,本文基于标签传播算法提出了三种预测模型:（1）构建了基于矩阵增强和标签传播的预测模型（Predicting mi RNAdisease Association Based on Matrix Enhancement and Label Propagation,MELPMDA）,通过改善mi RNA功能相似性、疾病语义相似性以及mi RNA-疾病关联网络的稀疏问题,提升了标签传播算法在mi RNA-疾病关联预测任务中的表现。针对mi RNA-疾病关联信息不足的问题,MELPMDA为mi RNA和疾病建立了基于强关联、弱关联和负关联三种情况的相似度奖励矩阵,提出了一种根据序列分布情况自调节的提取有效相似信息的方法,并用这些相似性信息填充关联网络,从而降低关联网络的稀疏性。标签传播算法作为最终的预测算法,进一步发现潜在关联。在五折交叉验证实验中,MELPMDA模型取得了0.9500的AUC值,在肝细胞癌、乳腺肿瘤的案例分析中,分别从50个候选mi RNA中找到了实验验证的45、46个相关mi RNA,证明了MELPMDA模型稳定良好的预测能力。（2）实现了基于平衡标签传播算法的预测模型（Predicting mi RNA-disease Association Based on Balanced Label Propagation,BLPMDA）,改善了传统的标签传播算法由于关联网络局部密度差异而导致的预测结果失衡的问题。BLPMDA为已知关联赋予了相比于未知关联更大的可信度,并利用所有已知和未知的关联构建一个可信度相似网络,用于改善现有数据集的稀疏问题。同时,根据每条相似性序列的分布特点提取出的有效相似度信息,用于填充mi RNA-疾病关联网络。平衡标签传播算法将已知标签加权处理后传播到未标记的节点,从而完成预测。在五折交叉验证和留一交叉验证实验中,BLPMDA分别取得了0.9527和0.9685的AUC值。在肝细胞癌和肺肿瘤的案例分析中,BLPMDA预测出的50个候选mi RNA分别有45和44个被现有数据集验证。（3）构建了基于加权表决的预测模型（Predicting mi RNA-Disease Association Based on Weighted Voting,WVMDA）,实现更为稳定和高效的关联预测。WVMDA本质上是一种标签传播算法,它将关联预测问题转化为投票问题,所有的已知关联被视为拥有不同表决权的投票者,所有的未知关联被视为候选者。为了保证投票结果的公正且有效,BLPMDA设置了基础投票权、团队投票权和相似性投票权,用于控制加权表决的权重。在五折交叉验证和留一交叉验证中,WVMDA分别得到了0.9537和0.9754的AUC值。在关于前列腺肿瘤案例分析中,WVMDA预测出的30个候选mi RNA有28个被实验验证。在有关乳腺肿瘤的案例分析中,30个候选mi RNA都在HMDD、db DEMC、mi R2Disease数据库中得到了验证。综上,本文深入研究了mi RNA-疾病关联预测任务,并基于标签传播算法设计了三个关联预测模型,有效提升了模型预测的准确率和稳定性,在预防、诊断、治疗人类恶性肿瘤方面有一定的理论意义和实际应用价值。