增强子和启动子作为重要的基因调控元件可以调控基因的表达。研究增强子和启动子的相互作用规律对人类发展具有重大的意义。但是通过生物实验的方式来判断二者之间的关系费时费力。因此,大量的研究人员希望通过生物计算的方法来解决这一难题。近些年快速发展的基因测序技术提供了大量的生物序列数据,这使得通过分析基因序列来预测启动子与增强子之间的关系成为可能,但现有的一些优秀计算方法仍存在着很大的改进空间。在本文中我们将基因序列分析和自然语言处理领域的深度学习技术相结合,从序列交互信息分析和序列结构信息分析这两个角度提出了两个新的深度学习模型。本文主要研究内容概括如下:首先,我们从序列交互信息分析的角度构建了一个名为MatchEPI的深度学习模型。该模型基于让两条序列尽早相遇的思想来获取序列的交互信息,在六个细胞系上进行的实验分析表明该模型的性能优于现有模型。接着,我们从序列结构信息分析的角度构建了另一个名为EPIVAN的深度学习模型。该模型使用了预训练DNA向量来编码基因序列并采用注意力机制来增强模型对关键特征的关注,同时使用预训练学习策略加强模型对细胞系特异性特征和细胞系共有特征的学习,该模型在六个细胞系上的表现都比现有模型提升了很多。在实验中我们还分析了预训练DNA向量和注意力机制对模型的贡献。此外,我们还证明了预训练模型EPIVAN-general具有迁移能力,将来可作为新细胞系的训练起点。本文提出的两个模型具有优秀的预测性能,同时还证明了启动子和增强子序列之间存在着一定的交互模式以及这两种元件在序列结构上具有特定信息（如细胞系特异性特征和细胞系通用性特征）,希望本文的工作能为这个领域的研究发展提供新的思路。