Los miARN son una categoría de importantes ARN pequeños no codificantes endógenos y son ubicuos en los eucariotas. Están ampliamente involucrados en el proceso regulador de la expresión génica post-transcripcional y juegan un papel crítico en el desarrollo de enfermedades humanas. Al utilizar los recientes avances en la tecnología de grandes datos, el uso de métodos bioinformáticos para identificar miARN causales se ha convertido en un punto focal. En este artículo, se propone un método llamado RNSSLFN para identificar las asociaciones miARN-enfermedad mediante la selección confiable de muestras negativas y una red neuronal de avance simple de capa oculta mejorada (SLFN). Esto implica, en primer lugar, obtener una similitud integrada para los miARN y las enfermedades; a continuación, seleccionar muestras negativas confiables de asociaciones miARN-enfermedad desconocidas mediante la distinción de miARN regulados al alza o a la baja; luego, introducir un SLFN mejorado para resolver la tarea de predicción. Los resultados experimentales en los últimos conjuntos de datos HMDD v3.2 y el marco de validación cruzada de 5 pliegues (CV) muestran que el AUC y el AUPR promedio de RNSSLFN alcanzan 0.9316 y 0.9065 m, respectivamente, lo que es superior a otros tres métodos de vanguardia. Además, en los estudios de caso de 10 cánceres comunes, más del 70% de los 30 pares de asociación miARN-enfermedad predichos se verifican en las bases de datos, lo que confirma aún más la confiabilidad y efectividad del modelo RNSSLFN. En general, RNSSLFN en la predicción de asociaciones miARN-enfermedad tiene un potencial prodigioso y un amplio futuro.