La creciente evidencia ha sugerido que los microARNs (miARNs) son significativos en la investigación de enfermedades humanas. Predecir posibles asociaciones entre miARNs y enfermedades proporcionaría nuevas perspectivas sobre el diagnóstico de enfermedades, la patogénesis y la terapia génica. Sin embargo, considerando el tiempo intrínsecamente prolongado y el alto costo de los estudios tradicionales in vitro, existe una necesidad urgente de un enfoque computacional que permita a los investigadores identificar asociaciones potenciales entre miARNs y enfermedades para futuras investigaciones. En este artículo, presentamos un nuevo método computacional llamado SMMDA para predecir asociaciones potenciales miARN-enfermedad. En particular, SMMDA primero utilizó un nuevo método de representación de enfermedades (MeSHHeading2vec) basado en el algoritmo de incrustación de redes y luego lo fusionó con la información de similitud del perfil de interacción gaussiana de miARNs y enfermedades, similitud semántica de enfermedades y similitud funcional de miARNs. En segundo lugar, SMMDA utilizó una red de auto-codificación profunda para transformar aún más las características originales y lograr una mejor representación de características. Finalmente, se utilizó el modelo de aprendizaje en conjunto, XGBoost, como el método de entrenamiento y predicción subyacente para SMMDA. En los resultados, SMMDA adquirió una precisión media del 86.68% con una desviación estándar del 0.42% y un AUC medio del 94.07% con una desviación estándar del 0.23%, superando muchos trabajos anteriores. Además, también comparamos la capacidad predictiva de SMMDA con diferentes clasificadores y diferentes descriptores de características. En los estudios de caso de tres enfermedades humanas comunes, los 50 principales miARNs candidatos tienen 47 (neoplasias esofágicas), 48 (neoplasias mamarias) y 48 (neoplasias colorrectales) que fueron verificados con éxito por dos otras bases de datos. Los resultados experimentales demostraron que SMMDA tiene una capacidad de predicción confiable para predecir asociaciones potenciales miARN-enfermedad. Por lo tanto, se anticipa que SMMDA podría ser una herramienta efectiva para los investigadores biomédicos.