现如今的药物研发工程对资金、时间的花销和人才技术要求都很高,由于一个实验室的经费和人员往往有限,人们开始寻找一种门槛更低的研究方法,因此药物重定位这个可以使得制药成本和周期缩减的方法获得了广泛关注。随着近年来相关研究的积累以及药物数据库的开放使用,基于药物与疾病的异构数据的药物重定位已经成为当前的研究热点。虽然研究人员已经提出了很多不同的计算方法,但现有的计算方法大都存在着仅使用单一的相似性、不能有效融合疾病-药物关联信息和相似性信息等问题,为了解决上述问题,本文进行了如下的研究工作:（1）收集整理了药物与疾病在药物重定位方向上相关的关联数据集:（1）来自于Drug Bank和OMIM数据库的经典数据集F数据集与C数据集;（2）由Me SH数据库整理计算所得的疾病语义相似性;（3）由前人计算工具CDK所得的药物化学结构相似性。（2）基于前人的工作,提出了一种基于混合推荐算法与异构图推荐相结合的药物-疾病关系预测算法HRHIDDA:hybrid recommendation and heterogeneous graph inference for disease-drug association prediction。该算法首先结合疾病语义相似性和疾病余弦相似性得到了疾病混合相似性网络、结合药物化学结构相似性和药物余弦相似性得到了药物混合相似性网络;然后利用加权K近邻算法和混合推荐算法降低疾病-药物关联数据的稀疏性,得到了新的关联信息,并把新的关联信息以及各自的混合相似性信息整合到一个异构图中;最后使用异构图推断有效利用了异构图中隐含的拓扑信息实现药物-疾病关系的预测。（3）对预测算法HRHIDDA进行性能评估和案例研究。其中性能评估中,本文对数据集F数据集和C数据集的十折交叉验证中,AUC评分分别为F:0.9345±0.0021,C:0.9500±0.0014,评分高于同方向的三种流行算法和一种新算法。案例研究上对一些疾病与药物的关联预测结果进行验证,如在对疾病D607154、D125320、D144010和D239350的预测中,排名前10的药物平均准确率为87.5%,前25的平均准确率为76%。通过两方面的评估,证实了算法HRHIDDA在面对药物重定位中药物-疾病关联数据稀疏时具有可用性。