随着高通量测序技术以及计算机技术的快速发展,各种各样的生物数据呈爆发式增长。面对海量的生物信息,如何高效探索基因-疾病关联关系也成为了当前生物医学领域的一个研究热点。精准的基因-疾病关联关系预测可以帮助研究者揭秘致病基因功能,并为疾病的防治提供帮助。国内外研究者已经针对该问题提出了诸多的预测算法,并取得了一定的研究进展。然而,这些方法都忽视了一些基因和疾病数据所固有的先验信息。同时,受诸多因素的影响,现有的基因和疾病数据库并不完善,这也导致了基因-疾病关联数据稀疏以及关联数据偏斜,在设计预测算法时经常会遭遇数据稀疏问题和PU(Positive and Unlabeled)学习问题。针对上述问题,本文引入矩阵补全理论进行预测算法设计,将基因-疾病关联关系预测问题建模为归纳型矩阵补全问题,并从两个不同的角度提出了两类增强归纳型矩阵补全模型。首先针对先验信息利用不足问题,提出一种融合先验信息的增强归纳型矩阵补全模型,利用先验稀疏正则化来保持基因-疾病关联数据的先验稀疏性,同时利用流形正则化技术来保留基因和疾病的关联一致性信息。实验结果表明,该算法融合这类先验信息能够有效提升预测效果。此外,针对数据稀疏和PU学习问题,提出一种基于Katz增强归纳型矩阵补全模型,该模型由基于Katz方法的预估计和基于归纳型矩阵补全方法的精化估计两步骤组成。具体地,先利用Katz方法基于基因-疾病异构网络对关联关系进行预估计,以期缓解关联数据稀疏和PU问题的影响;然而,受制于相似度网络的质量,Katz方法在预估计基因-疾病关联时不可避免地会引入一些噪声,为此,将弹性网正则化技术引入传统的归纳型矩阵补全模型以增强其鲁棒性,进而用改进的归纳型矩阵补全模型来精化基因-疾病关联预测效果。实验结果表明,该算法的预测效果相较于之前提出的预测算法有显著的提升。最后,本文提出的两种增强归纳型矩阵补全模型集成了基因和疾病的特征信息,都能够有效地解决基因-疾病关联关系预测中常见的冷启动问题。