研究表明长非编码RNA　(long　non-coding　RNA,　lncRNA)在许多生物的生命活动中发挥着重要作用。识别潜在的lncRNA-疾病关联(lncRNA-disease　associations,　LDAs)有助于研究疾病的发病机制，及时地诊断、预防和治疗疾病。本文提出了一种基于多图结构和注意力机制的图卷积网络模型预测LDAs，简称MGSGCN。该模型综合了疾病语义相似性、lncRNA功能相似性、疾病与lncRNA高斯相互作用谱核相似性和余弦相似性，构建了疾病和lncRNA的特征向量。基于图卷积网络(graph　conventional　network,　GCN)和图注意力网络(graph　attention　network,　GAT)，使用了提取封闭子图和交互信息传播的多图结构策略来训练和预测LDAs。MGSGCN在Dataset1和Dataset2上的五折交叉验证(five-fold　cross　validation,　5-CV)的准确率分别为94.55%和87.44%。将MGSGCN与其它四个前人研究的计算模型进行比较，评价指标结果凸显了MGSGCN具有良好的分类性能。此外，对与子宫颈癌相关的lncRNA进行了案例分析。发现MGSGCN预测出了未被实验证实的LDAs，这说明该模型具有预测新的LDAs的能力。