微小RNA（microRNA,miRNA）和长非编码RNA（long non-coding RNA,lncRNA）在调控内源基因表达、转录翻译后修饰、表观遗传等方面发挥着重要的作用。miRNA和lncRNA还能够相互作用影响各种生命活动,因此越发受到关注。分子生物学实验能够鉴定miRNA与lncRNA互作关系,但其周期长且费用高。计算方法可以预测潜在的互作关系,为分子生物学实验筛选出有价值的数据,从而节省大量时间和费用。现有的相关研究主要针对动物,而很少关注植物。由于动物和植物核酸结构及序列的差异,用于动物数据的预测方法在植物数据上并不可靠。目前依然缺少植物miRNA与lncRNA互作关系数据库和可靠的预测方法,且它们的许多功能都还未知。本文使用机器学习技术预测植物miRNA与lncRNA互作关系,并进一步预测它们的功能。这为生物学研究和植物数据库的建立提供了有力的支持,进而对基因编辑、生物制药、食品加工等技术的进步和广泛应用具有重要意义。鉴于现有的植物miRNA与lncRNA相互作用数据和预测方法有限,构建了可靠的数据集,并对基于监督学习的预测流程进行了研究。阐述了特征提取,序列编码,传统机器学习模型的训练,深度学习模型的设计和训练,集成学习技术以及基于组合模型和模糊决策的预测方法Pmli Pred的实现。实验结果表明,Pmli Pred比现有的预测方法具有更好的性能,通过分子生物学实验从Pmli Pred的预测结果中成功鉴定出新的植物miRNA与lncRNA相互作用。该研究给出了植物miRNA与lncRNA互作数据集的构建方法,又以Pmli Pred为例给出了植物miRNA与lncRNA互作关系的预测流程。该研究是开展创新性工作的初步尝试,在其基础上又分别针对三个重要问题进行了研究。（1）针对植物miRNA与lncRNA互作特征缺少有效的表示方法问题,提出了基于信息强化的互作特征表示方法RNAI-FRID。从miRNA和lncRNA分子中分别提取多样化的基础特征,获得更多的样本信息。通过算术级方法构造复杂特征,在保持分子的特征间关系的同时大幅度降低特征向量维度。由于降维可能导致样本信息损失,在复杂特征构造中使用算术平均策略进一步强化样本信息。综合基于随机森林、极限树和Gradient Boosting的三种特征排序方法,自适应地进行特征选择。实验结果表明,RNAI-FRID是一种有效的植物miRNA与lncRNA互作特征表示方法,有利于训练性能更好的模型。（2）针对植物miRNA与lncRNA互作关系预测模型训练时样本信息不足,集成时无法发挥个体学习器特点的问题,提出了基于多级信息强化和贪婪模糊决策的集成深度学习模型Pmli PEMG。采用融合复杂特征、多尺度卷积长短记忆网络和注意力机制分别从特征级、尺度级和模型级强化样本信息,得到多样化的个体学习器。基于贪婪模糊决策集成个体学习器的输出,发挥它们的特点,得到最终的预测结果。实验验证了多级信息强化和贪婪模糊决策集成方法的效果,表明Pmli PEMG能够跨物种预测植物miRNA与lncRNA互作关系,比目前先进的预测方法具有更好的性能。（3）针对植物miRNA与lncRNA相互作用已知功能少且鉴定成本高的问题,结合集成剪枝和生物技术构建调控网络进行功能预测。首先设计双路并行集成剪枝模型DPEP以获得miRNA与lncRNA相互作用伪标签,然后结合生物学规则提炼标签,建立miRNA与lncRNA的关系,再结合专家知识和经验开发的生物信息学识别方法,建立miRNA与信使RNA（messenger RNA,m RNA）的关系,进而建立三种RNA之间的关系,接着结合分子生物学实验测定三种RNA的表达量,构建lncRNA-miRNA-m RNA调控网络,最后通过GO富集分析预测miRNA与lncRNA相互作用的功能。实验结果表明,DPEP的性能优于目前先进的预测方法,结合DPEP和生物技术成功构建了调控网络,并预测出miRNA与lncRNA相互作用参与的多项生命活动和涉及的多个生物学功能。