Las funciones anormales de microARN (miARN) juegan roles significativos en varios procesos patológicos. Por lo tanto, predecir asociaciones entre fármacos y miARN (DMA) puede tener un gran potencial para identificar los objetivos potenciales de los fármacos. Sin embargo, descubrir las asociaciones entre fármacos y miARN a través de experimentos húmedos es un proceso que consume mucho tiempo y es laborioso. Por lo tanto, es importante desarrollar métodos de predicción computacional para mejorar la eficiencia de la identificación de DMA a gran escala. En este artículo, se propone un modelo de integración de múltiples características (MFIDMA) para predecir la asociación fármaco-miARN. Específicamente, primero formulamos los DMA conocidos como un grafo bipartito y utilizamos la incrustación de red profunda estructural (SDNE) para aprender las características topológicas del grafo. En segundo lugar, se utilizó el algoritmo Word2vec para construir las características de atributo de los miARN y los fármacos. En tercer lugar, se introdujeron dos tipos de características en la red neuronal convolucional (CNN) y la red neuronal profunda (DNN) para integrar características y predecir miARN objetivo potenciales para los fármacos. Para evaluar el modelo MFIDMA, se implementó en tres conjuntos de datos diferentes bajo una validación cruzada de cinco pliegues y logró AUCs promedio de 0.9407, 0.9444 y 0.8919. Además, el modelo MFIDMA mostró resultados confiables en los estudios de caso de Verapamilo y hsa-let-7c-5p, confirmando que el modelo propuesto también puede predecir DMA en situaciones del mundo real. El modelo fue efectivo en el análisis de los vecinos y las características topológicas de la red fármaco-miARN mediante SDNE. Los resultados experimentales indicaron que el MFIDMA es un modelo preciso y robusto para predecir DMA potenciales, lo cual es significativo para la investigación terapéutica de miARN y el descubrimiento de fármacos.