长链非编码RNA（long non-codingRNA,lncRNA）是非编码RNA的重要组成单元。多项研究表明,lncRNA通过细胞增殖、凋亡、代谢等方式参与多个生命过程,与多种人类疾病的形成、发展和预后治疗有关,成为调控细胞功能的重要因子。然而,由于传统生物实验方式探寻致病lncRNA时间长、成本高,限制了lncRNA在疾病相关领域的发展,利用可计算模型预测lncRNA-疾病关联,对于人类疾病的研究与治疗意义重大。目前,现有数据库中由实验佐证的有限lncRNA-疾病关联数据,所存在的固有稀疏性,导致当前大多数的lncRNA-疾病可计算模型的预测精度偏低。针对现有关联预测模型中存在的问题,本文构建了基于图注意力网络和归纳式矩阵补全的关联预测模型,在提高预测精度基础上,降低了计算时间成本,主要内容如下:（1）针对现有的数据稀疏性导致的预测精度不高的问题,本文在GAT双聚合运算和归纳式矩阵补全的基础上设计lncRNA-疾病关联预测模型DFMP-LDA。第一步,建立疾病、lncRNA相似性网络;第二步,引入多头注意力机制,构建“加”和“连接”双重聚合器,加强lncRNA节点特征和疾病节点特征;第三步,将加强后的特征输入到归纳式矩阵补全过程中;最后,使用RMSprop优化器对模型进行优化。DFMP-LDA模型通过五折交叉验证后取得0.9240的AUC值,0.7924的AUPR值。比当前的GAMCLDA模型、SDLDA模型、DMFLDA模型,AUC值分别提高4.12%、6.69%、9.21%。（2）为了进一步解决模型预测精度和时间成本的问题,在DFMP-LDA模型的基础上,提出基于GAT多重运算和归纳式矩阵补全预测lncRNA-疾病关联的改进模型MFMP-LDA。第一步,使用高斯相互作用谱核相似性,构建多源异构相似性网络;第二步,在DFMP-LDA模型的双重聚合器基础上继续改进,设计多重聚合器,该聚合器进一步增强了lncRNA节点和疾病节点特征;第三步,将增强后的特征输入到归纳式矩阵补全过程中;最后,使用Adam优化器对模型进行优化。MFMP-LDA模型通过五折交叉验证后取得0.9395的AUC值,0.8057的AUPR值。比DFMP-LDA模型AUC值和AUPR值分别提高1.67%、1.68%。时间成本上,比DFMP-LDA模型降低3.22%。综上所述,本文提出的DFMP-LDA和MFMP-LDA关联预测模型在预测精度上与当前的计算模型相比均有提高,具有最优的预测性能。