药物的重定位方法在近年的计算生物学领域有着举足轻重的地位,传统的药物重定位方法大多仅考虑药物-疾病关联网络中结点自身的结点信息,利用矩阵分解进行关联预测;或是仅考虑到结点之间的连接通过随机游走进行关联预测。但是,这两种浅层计算方法难以表达出复杂的生物信息,但可用于训练的数据又比较少,这种情况下利用深度学习网络进行药物-疾病的关联预测是一个挑战性的课题。本文提出了两种基于深度学习网络的药物-疾病预测模型。第一个是基于长短期记忆网络与卷积神经网络的双路深度学习模型CBPred,算法分别利用了卷积神经网络捕捉局部特征、长短期记忆网络捕捉路径特征的特点,将药物-疾病结点对的自身属性与整个药物-疾病关联网络的拓扑结构进行表征。此外,为了区别不同路径的重要程度,我们提出了基于路径的注意力机制为不同的路径分配不同的注意力权重。与其他药物-重定位预测模型相比,本模型预测效果较优。第二种模型是基于残差网络与卷积-长短期记忆网络的药物重定位深度学习模型Res CLPred。该模型希望通过尽可能复杂,尽可能深的复杂网络结构对非常有限的生物数据进行表达和学习。为了达成此目的,本文主要通过残差网络使得模型在没有必要的情况下,对原始数据尽量不要进行任何处理的核心思想,从而使得网络能在不发生过拟合的情况下,使用尽可能复杂、深层的网络对数据进行表示与学习。本文通过Adam对模型中涉及到的网络参数进行自动化的更新与优化。在真实数据上的实验结果表明,模型能更准确地推荐出可靠的药物-疾病候选,在多个度量指标上都优于现有的浅层预测模型。