全新药物的研发存在着高投入、高风险以及费时耗力等问题。在一种新药被发现到批准上市的过程中,依次需要经历分子探索、动物实验、临床试验等多个环节,平均需投入10到15年的时间和约8亿美元的成本,而且成功率极低。药物重定位,亦称老药新用,是指发掘已上市药物的新适应症或新用途,能够显著缩短药物研发周期,节约制药成本并规避风险,逐渐成为药物研发的重要策略。药物重定位计算分析的主要方法,按照技术策略可以大致总结为药物-靶标关联预测、药物-疾病关联预测和药物-药物关联预测等,本文主要针对药物-靶标关联预测和药物-疾病关联预测两种策略建立模型,基于异构网络的链接预测算法,实现药物重定位。具体地,本文完成了以下三方面的工作和创新:（1）近年来,生物信息学、系统生物学、深度学习和大数据等技术发展迅速,海量药物、疾病、靶标等生物数据的积累提供了丰富的生物学特征,本文通过整合15种化学、基因组、表型和细胞等网络构建出一个多组学生物异构网络。为了学习不同网络的深层表征,本文运用多层深度自编码网络学习每种网络中节点的低维向量表示,考虑到生物数据典型的正负样本不平衡问题,本文引入偏置矩阵补全算法寻找药物空间到靶标空间的最佳映射。（2）大多数模型在学习网络节点表示时只考虑到节点邻居之间二阶以内的邻近度,研究表明,节点之间的高阶邻近度对于捕获网络底层拓扑结构具有很高的重要性。本文基于任意邻近度保留算法学习15种网络中节点的低维向量表示,从而能够保留节点任意邻近度的特征,接着再使用高分类精度的树模型完成链接预测。具体地,本文将药物-靶标链接预测问题转化为机器学习中的二分类问题,并使用深度森林算法进行分类。（3）在第一项工作中使用多层深度自编码网络分别提取每种网络的特征,没有考虑到不同网络之间信息的关联,在整合所有网络特征时可能存在信息丢失。借鉴于多模态学习的思维,本文改进使用多模态深度自编码网络用于不同药物网络的特征提取和融合,从而学习到一个高质的和所有网络都相关的特征表示。接着使用协同变分自编码网络将药物-疾病链接预测问题转化为推荐系统问题,对不同疾病推荐预测得分较高的药物。