人类细胞中包含大量的micro RNA（miRNA）,它们通过与m RNA互补调控基因的表达,阻碍m RNA的翻译过程,或者降解m RNA,从而参与包括发育、细胞增殖和凋亡等在内的生物进程。研究表明,miRNA的异常表达与人类恶性肿瘤的发生与发展息息相关,因此,miRNA表达谱可作为肿瘤等疾病临床诊断、分类、分级甚至预后与治疗的指标,并为治疗提供新的靶点。通过生物实验研究疾病相关miRNA结果虽然可靠,但是会耗费大量时间与金钱,且失败率较高。为此,学者们提出了大量有效的计算方法以预测人类疾病相关的miRNA,弥补了传统生物实验方法的不足。目前已有的计算方法虽然有效,但仍存在相似性度量不够丰富、miRNA-疾病已知关联信息稀疏、模型预测准确性不高等一些亟待解决的问题。针对上述问题,本文基于非负矩阵分解构建了三个预测疾病相关miRNA的计算模型,主要研究内容如下:（1）构建了基于图拉普拉斯和L2,1正则化的非负矩阵分解模型(GRL2,1-NMF)。首先,针对已知miRNA-疾病关联信息不足的问题,GRL2,1-NMF模型采用加权K近邻（WKNKN）预处理方法,降低了miRNA-疾病关联的稀疏性。其次,GRL2,1-NMF模型分别为miRNA和疾病计算了高斯核相互作用谱（GIP）相似性,并采用了两种计算策略度量疾病语义相似性,从而大幅度降低了miRNA和疾病相似性矩阵的稀疏性。另外,GRL2,1-NMF模型在非负矩阵分解（NMF）的基础上引入了吉洪诺夫正则化、图拉普拉斯正则化、L2,1正则化,进一步弥补了传统NMF模型的不足。最后,五折交叉验证（5CV）和留一交叉验证（LOOCV）实验的AUC值分别达到0.9276、0.9280,以及案例研究的实验结果证明了GRL2,1-NMF模型的有效性。（2）实现了基于矩阵填充和L2,1正则化的非负矩阵分解模型（MCNMF）。首先,考虑到低秩矩阵可以通过已有的少量信息进行恢复,矩阵中的噪声部分可以通过L2,1正则化予以去除,因此,在度量生物学相似性和GIP相似性的基础上,MCNMF模型采用MC（矩阵填充）预处理步骤丰富了相似性信息。其次,该模型利用WKNKN对miRNA-疾病邻接矩阵进行预处理以降低其稀疏性。此外,为了去除噪声并降低过拟合,在GRL2,1-NMF模型的基础上,MCNMF模型引入了双L2,1正则化优化了目标函数。最后,5CV、LOOCV实验的AUC值分别达到0.9383、0.9380,以及案例研究的实证结果进一步证实了MCNMF模型的有效性。（3）设计了基于卷积神经网络的深度非负矩阵分解模型（NMF-CNN）。首先,在分解miRNA-疾病关联矩阵得到疾病和miRNA的原始特征基础上,NMF-CNN模型采用映射模块训练并捕获了疾病和miRNA的潜在非线性特征。进而,将之与miRNA和疾病的生物相似性、GIP相似性以及低秩恢复的相似性等辅助信息相融合得到NMF-CNN模型的训练样本。然后,NMF-CNN模型设计了基于卷积神经网络的预测模块,实现了疾病相关miRNA的预测。基于5CV验证的AUC值达到0.9456,以及案例研究的实验结果充分证实了NMF-CNN模型的有效性。总之,本文深入研究了人类复杂疾病相关miRNA,基于非负矩阵分解,设计了三个新型miRNA-疾病关联预测模型,提升了疾病相关miRNA预测的准确率,为识别人类疾病相关miRNA提供了有效方法,在预防、诊断、治疗人类恶性肿瘤方面有一定的理论指导意义和实际应用价值。