复杂生物系统由各种生物分子组成，任何一项生物功能都是有很多生物分子共同参与完成的，从复杂网络的角度研究生物分子的性质、功能是当前生物信息学的重要研究方向。随着新兴生物技术和数据库技术的迅速发展，产生了海量的组学数据，这为研究人员从分子水平上探索和揭示生命体的各项生命活动提供了丰富的数据来源，也使得构建不同生物分子（或实体）间的相互作用网络成为可能。整合多组学数据构建生物网络并推断不同生物实体的交互关系是网络生物学的重要研究课题，它可以揭示分子间的各种合作机制，帮助研究者了解生物分子功能，同时还能加深对各种复杂疾病的发生、发展和活动规律的理解。然而，面对海量的生物数据，仅依靠生物实验来探索交互关系，不仅要耗费大量的人力、物力，还要相当长的时间，利用机器学习模型和计算机技术来解决生物上的问题是当前生物信息的重要研究手段。利用数据挖掘、机器学习等计算手段作为生物实验的辅助和指导，可以快捷地从海量数据中进行初步筛选，大大的缩短了实验的时间成本和资源花费。针对当前生物实体交互推断算法中存在的问题，我们分别研究了基于多核邻域相似性的网络构建、基于多网络融合和邻域双向传播模型，以及基于图的异构网络稀疏子空间集成学习模型，并将它们应用到三类重要的生物实体交互推断问题中。我们提出的模型以生物问题为主要研究对象，在生物实体交互关系推断问题上取得了较好的应用效果，这些方法也可能适用于其他领域的相关研究。