共病是指两种疾病共同存在的状态,与日益增加的不良健康结果相关。共病的早期筛查与预警有助于完善临床诊疗思维,改善患者的预后。许多领域的共病研究处于起步阶段,疾病间的关联关系尚存在很大的不确定性。大量的疾病知识蕴藏在生物医学文献中,如何从海量的文献中有效地挖掘共病关系、预测潜在的共病组合是本研究主要探讨的问题。针对共病研究的必要性以及现有共病挖掘方法的局限性,本研究以糖尿病领域为例,从语义共现和引用行为两个视角出发,以SAO语义模型和引文全文本为基础,结合BP神经网络模型预测潜在的共病关系。首先,分别基于共现关系和引用关系构建共病网络。根据生物医学领域文献的特点,利用SemRep和MetaMap工具,抽取论文中的疾病概念。分别构造基于共现的共病对和基于引用的共病对,由此构建3个共病网络——共现关联网络、引用关联网络和二者取并集后的融合网络。通过网络基本特征指标、微观指标和链路预测指标对共病网络进行评价和比较,发现融合网络能够更好地描述糖尿病领域的共病现象。选用融合网络预测潜在的共病关系,利用链路预测算法计算融合网络的14个网络结构特征,包括基于局部信息的相似性指标、基于路径的相似性指标和基于随机游走的相似性指标。通过构建包含一个输入层、一个隐含层和一个输出层的BP（Back Propagation）神经网络模型,将网络特征进行整合,预测潜在的共病组合。预测模型的精确率为99.97%、召回率为84.40%、准确率为95.08%、F1分数为93.83%。预测结果中包含三种类型的节点关系:学术界已知的糖尿病共病关系、潜在的糖尿病共病关系和已知的糖尿病共病间的潜在共病关系。重点对糖尿病共病疾病间的潜在共病关系进行分析,发现在最新的文献中报导了这些疾病对存在关联的可能,但尚未明晰其中的关联机制,是未来值得探索的研究领域。模型的预测效能较好,预测得到的潜在共病关系基本符合相关文献的描述,能够证明本研究提出方法的有效性和可行性,达到了预期的实验结果。