由于微生物数量多且复杂,在多数条件下,人类不能够对其生活的原始环境进行模拟和重现,导致环境中大部分微生物无法通过纯培养的方式获得,与传统的研究手段相比,宏基因组学能够直接从环境样品中获取全部微生物的DNA。宏基因组学的研究有助于:确定物种组成及其相对丰度、微生物群落结构和功能分析、阐释物种间的代谢网络等。宏基因组测序的原始数据来自于环境中所有微生物的基因组短片段,通过将其末端的连续重叠序列进行连接处理,组成的连续长DNA片段称为DNA重叠群(contigs)。将这些重叠群按照其物种归属进行分类是宏基因组学中的关键步骤,且分类结果直接关系到微生物群落物种多样性的分析。然而,受各物种间丰度比、基因组长度、数量等因素的制约,很难达到理想的分类效果,因此,如何将宏基因组重叠群进行有效的划分,是目前研究的重点。目前,宏基因组重叠群分类问题存在的难点主要有:(1)宏基因组中物种数量的精确估计(2)DNA重叠群的精确聚类。综上,本文就目前所存在的难点进行了如下研究:(1)基于k-mer频率的宏基因组重叠群特征提取本文首先利用k-mer频率对DNA序列特征进行提取,构建不同的特征矩阵,以便进行宏基因组的分类。(2)提出一种改进密度峰值的算法自动确定聚类个数本文克服了传统的手动识别的缺点,采用基于改进密度峰值的算法,自动获取了聚类的个数k值。首先,计算每一个数据点的密度与距离值,归一化后构建数据点所映射的决策图;然后,根据决策图位置信息,计算决策图上的数据点所对应的新的密度值,根据其密度值的分布规律,及确定聚类中心的两个原则,自动获取聚类个数k值。(3)提出一种基于改进密度峰值的宏基因组重叠群分类策略依据上述所获得的物种个数k,本文采用基于密度峰值的方法完成对于宏基因组重叠群的聚类:采用将每个剩余的点分配到与其最近的高密度邻居相同的聚类中的原则,对剩余点进行归类处理,并对形成的每个类定义一个边界区域,通过密度阈值,对噪声点进行筛选,从而完成宏基因组重叠群的聚类。综上,本文进行了系统的宏基因组重叠群分类研究,构建了特征矩阵、提出了自动确定物种个数的算法、改进了基于密度峰值的宏基因组重叠群分类策略,取得了比现有方法更好的分类效果。