识别药物-靶标相互作用（DTI）是药物发现中的一项关键任务,在虚拟筛选、药物重定位等领域都发挥了至关重要的作用。尽管生物实验方法是识别DTI最可靠的方法,然而该方法存在成本高、耗时长的问题。为了提高识别DTI的效率,随着药物与靶标相关数据的大量增长以及计算机技术的快速发展,许多研究人员致力于利用机器学习方法预测潜在的DTI。这些方法通常将预测DTI的问题视为二分类任务或回归任务,每个药物-蛋白对都有一个标签来指示药物与蛋白之间是否存在相互作用关联。尽管有许多基于机器学习的方法被提出,当前仍存在一些挑战。首先,有监督的机器学习方法需要正、负样本进行训练,然而实践中负样本往往缺失,大多数研究仅通过从未知关联中随机选取负样本以解决这个问题。其次,如何有效利用药物与靶标相关的多源信息以提高预测性能也是该领域的一个主要挑战。鉴于此,本文主要开展了如下工作:（1）发现了从未知关联中随机选取负样本时可能会引起过于乐观的预测率的两类隐藏偏倚,在多个预测方法上进行实验并验证了这两类隐藏偏倚的存在。然后,根据隐藏偏倚的特点,提出了避免这两类隐藏偏倚的相应方法。进一步地,提出了一个基于药物-蛋白-疾病异构网络中的最短路径长度选取可靠负样本的方法并构建了DTI数据集。该方法的理论为,在包含多种关联的药物-蛋白-疾病异构网络中,药物与蛋白之间的最短路径越长,它们之间越不可能发生相互作用。此外,根据化合物（候选药物）与蛋白（候选靶标）之间的结合亲和力值划分正、负样本,构建了化合物-蛋白相互作用（CPI）数据集。（2）提出了一个DTI预测框架HNGO-DTI以集成药物-蛋白-疾病异构网络中的拓扑信息和蛋白的基因本体（GO）注释信息。首先,计算药物的Pub Chem指纹与蛋白的KSCTriad描述符作为初始特征,并通过全连接（FC）层生成其低维表示。然后,从异构网络中删除了所有的预测目标关联（即已知的DTI关联）,并利用异构图神经网络（HGNN）从药物-蛋白-疾病异构网络中提取药物和蛋白的拓扑特征。此外,利用在GO术语相似性网络和GO术语-蛋白二分网络上的图神经网络（GNN）提取蛋白的GO注释特征。最后,利用深度神经网络（DNN）预测潜在的DTI。实验结果表明,该方法具有较好的预测性能。（3）提出了一个DTI预测框架DFDTI以融合不同类型的结构描述符。首先,计算了药物与蛋白的多种结构描述符作为初始特征,并通过FC层生成其对应的低维表示。然后,考虑到不同类型的描述符对于DTI预测的贡献度不同,利用通道注意力机制给予不同的描述符权重。此外,利用单层Transformer编码器来增强描述符的特征表示。最后,通过DNN预测潜在的DTI。实验结果表明,该方法具有较好的预测性能。（4）提出了一个基于集成深度学习的DTI预测框架EDDTI。首先,计算了药物和蛋白的多源相似性作为初始特征。然后,将所有单一药物特征和单一蛋白特征的组合输入不同的DNN中以单独训练多个基学习器。最后,结合所有基学习器的预测结果作为最终的预测结果。此外,为证明该方法的可扩展性和优越性,还以药物描述符和蛋白描述符作为初始特征,构建了一个EDDTI的变体预测框架EDDTI-d。实验结果表明,该方法具有更好的预测性能。综上,本文研究了如何构建可靠的数据集,并基于深度学习构建了三个DTI预测模型,且均取得了良好的预测性能。本文旨在为识别DTI提供帮助,从而提高药物发现的效率。