探究长链非编RNA（lncRNA）与疾病和突变基因与疾病之间的关联有利于发现疾病的发病原理,并及时做出诊断治疗及预后等措施。但是,传统的病理学家的诊断主观性较强且耗资巨大。因此开发高效的计算机辅助诊断治疗模型是一件迫在眉睫的事情。本文主要先通过基于矩阵分解的交替最小二乘法来探究潜在的lncRNA-疾病关联,为了进一步探索诱发人类疾病的缘由,我们对发病率较高的肺癌进行案例研究,通过深度学习技术识别肺癌组织病理学染色图像中的突变基因来预测其靶向药物。针对lncRNA-疾病的关联性分析的问题,本文提出了一种基于矩阵分解的交替最小二乘法来探究lncRNA-疾病的关联,称为ALSBMF。ALSBMF算法的第一步是将已知的lncRNA-疾病关联矩阵分解为两个特征矩阵,接着运用语义疾病相似度、lncRNA功能相似度以及已知的lncRNA-疾病相关性来定义优化函数,与此同时使用交替最小二乘法求解出两个最佳特征矩阵。最后将两个最优特征矩阵相乘来重新构建得分矩阵,并填充初始矩阵的缺失值来预测lncRNA-疾病关联。和现存的预测lncRNA-疾病关联的模型比较,ALSBMF模型的突出特点是它能在没有负样本的情况下预测出新型lncRNA与新型疾病之间的关联。除此之外,本文还使用了五倍交叉验证与留一交叉验证（LOOCV）来测试ALSBMF的性能。其AUC分别为0.9501与0.9215。针对肺癌与突变基因的关联性分析的问题,本文构建了一个称为Deep LRHE的卷积神经网络（CNN）框架,通过分析患者的组织病理学图像来预测肺癌的突变基因,从而为肺癌的靶向药物治疗提供依据。Deep LRHE的步骤包括肿瘤区域识别、颜色归一化、生物标记识别和热图形成。事实上,本文首先从癌症基因图谱（TCGA）上下载了180个肺癌苏木精-伊红（H&E）染色的组织病理学全幻灯片图像（WSI）。由经验丰富的病理学家标记注释出H&E染片的肿瘤区域,接着通过Openslide软件包的滑动窗口将标注好的肿瘤区域统一分割成512*512的小块,再运用深度卷积高斯混合模型（DCGMM）对分割好的小块进行颜色标准化。然后将处理好的样本训练和验证新型的卷积神经网络（CNN）模型,进而识别出H&E染片中的突变基因。其中测试数据集的受试者工作特征（ROC）曲线下面积（AUC）为0.86。它提供了一种基于肺癌突变基因开发有效靶向治疗的方法,但在临床应用之前,还须继续研究以评估设计模型的有效性。最后,本文总结了我们提出的模型和算法,并且展望了后续的研究。