人类癌症基因组的低甲基化和特定肿瘤抑制基因启动子的高甲基化是癌细胞快速增殖的重要原因。因此,获得5-甲基胞嘧啶（5mC）在启动子片段中的分布是进一步了解启动子甲基化与mRNA基因表达调控之间关系的关键步骤。通过湿法实验大规模检测DNA中5mC位点仍然很费时且费力。因此,迫切需要设计一种鉴定全基因组DNA启动子5mC位点的方法。本文主要基于一种新型的融合决策模型研究启动子甲基化位点的预测问题,主要研究内容如下:1)构建了一个名为i Promoter-5mC的融合决策预测器。根据名为癌细胞系百科全书（CCLE）的数据库,使用经过简化亚硫酸氢盐测序技术产生的843个细胞系中得到的17182个基因的启动子区域信息,构建了关于肺小细胞癌（SCLC）的启动子甲基化数据。由于正样本和负样本比例高达1:11,属于非平衡数据,为此我们构建了11个预测器,将非平衡数据转化为平衡数据。采用独热编码（Onehot）和基于核苷酸的性质和频率（DPF）方法对启动子样本进行编码。预测器使用深度神经网络（DNN）识别启动子中的甲基化修饰位点。采用融合决策方法对11个预测器预测结果进行融合。该预测器在独立测试数据集上的平均AUC为0.957,表明启动子5mC甲基化位点的预测器是可靠的。为了方便广大生物学家和基因药物学家可以方便使用iPromoter-5mc预测器,我们设计了在线免费预测网站:http://www.jci-bioinfo.cn/i Promoter-5mC,研究者不必理解复杂的算术公式和编写程序,只需将所测序列通过网址提交,就可以得到需要的结果,为用户研究启动子5mC修饰位点提供简单有效的方法。所设计方法的源代码也可从https://github.com/zlwuxi/iPromoter-5mC上获取用于相关学术研究。2)基于卷积神经网络构建了启动子识别预测器。如果能首先预测所输入序列是否为启动子序列,这可以有效提高对启动子甲基化位点的预测。根据前者得到的启动子区域信息,构建了启动子和非启动子的数据。对比梯度提升迭代决策树（GBDT）模型、深度神经网络、XGBoost和卷积神经网络建模方法,构建对启动子和非启动子进行识别的预测模型,在独立测试集上对该模型进行了测试,平均AUC为0.9166,这表明关于启动子识别的预测器是可靠的。