近年来的研究表明,长非编码RNA（long noncoding RNA,lncRNA）在很多生物过程中发挥着特别关键的作用,几乎涉及到生物体的全部生物学过程,并且许多复杂疾病的发生发展与lncRNA的突变或者错误调节是有关的,但是两者之间存在的关系还没有完全掌握。虽然传统的生物实验方法可以准确地鉴定lncRNA与疾病之间存在的关系,但是这种方法显然会浪费大量的人力、时间以及经济成本。因此,利用已知的lncRNA-疾病相关数据,设计相应的计算方法来辅助预测潜在的lncRNA与疾病之间的关系成为了解决传统生物学实验昂贵且费时的有效途径。目前,研究人员提出了不同的计算方法,基于机器学习的计算方法是其中重要的一类,也是当前的研究热点。但是现有基于机器学习的计算方法还存在许多需要解决的问题,比如使用疾病和lncRNA的单一相似性、没有充分使用lncRNA-疾病关联数据的局部结构和全局结构信息等。为了解决上述问题,本文进行了如下的研究工作:（1）在常用的数据库中搜集整理本实验所用到的数据集。本文实验使用lncRNA和疾病的多维相似性,主要有lncRNA表达相似性、lncRNA高斯核相似性、疾病语义相似性、疾病高斯核相似性,然后采用线性加权组合方法分别整合lncRNA和疾病的两种相似性;（2）本文提出了一种lncRNA与疾病潜在关联的多层线性投影预测方法（MLPLDA:Multi-layer linear projection for predicting lncRNA-disease association）。首先该方法采用加权K近邻（WKNKN）方法重构原始的lncRNA-疾病关联矩阵,主要将lncRNA和疾病进行特征投影,然后将投影后的局部约束特征进行编码,得到构建后的相似性关联矩阵,利用局部约束的优点是可以较好地保留原始矩阵中的信息而不受破坏;最后使用堆叠层策略的多层线性投影进行lncRNA-疾病关联预测,将重构之后的lncRNA-疾病关联矩阵、lncRNA的整合相似性、疾病的整合相似性作为初始输入数据输入到第一层的计算模型中,接着将模型上一层的预测结果作为训练数据输入到下一层的训练模型中,因此多层线性投影可以较好的考虑相似性矩阵的全局信息。（3）预测方法性能验证和案例研究。为了验证MLPLDA的预测性能,本实验使用留一交叉验证和五折交叉验证作为评价指标。在留一交叉验证和5折交叉验证中,MLPLDA获得的AUC分别是0.8807和0.8563±0.0045,结果体现了其可靠的性能。在本文实验所使用的数据集下效果优于这几种经典的算法（LLCLPLDA、LRLSLDA、SIMCLDA、RWRlnc D）,并且在三种疾病（肺癌,乳腺癌和骨肉瘤）的案例研究中,MLPLDA能够有效预测与三种疾病有关系的lncRNA。