固有无序蛋白质在天然状态下缺乏稳定的空间结构,但却在生物体内广泛存在,对生命活动的正常运转发挥着重要作用,同时还与人类的多种重大疾病相关。对蛋白质中无序区域的研究有利于探索相关疾病的发病机制,从而控制疾病的发展。传统的固有无序蛋白质检测方法,大多侧重于氨基酸的理化性质,信息过于单一,而且忽略了氨基酸序列间的特征信息,预测精度偏低。因此,为了提高固有无序蛋白质的分类准确率,本文使用交叉互相关算法分析残基间的特性,并改进传统检测方法中对滑动窗口的使用,运用嵌套滑动窗口提取氨基酸序列特征,在此基础上本文提出一种基于交叉互相关的局部残基邻域特征提取方法。该方法首先对氨基酸序列构建隐马尔可夫模型(Hidden Markov Models,HMM);其次,通过多序列比对算法得到查询序列的Profile HMM得分矩阵;最后,使用嵌套滑动窗口、交叉互相关算法以及叠加均值法计算局部残基间的邻域特征。本文方法提取的特征包含更多残基间的信息,可以更准确的表达氨基酸序列。本文设计残差神经网络分类模型,通过实验调试神经网络的参数,然后对提取的特征进行分类验证,使用混淆矩阵和ROC曲线等指标验证分类模型的性能,并与支持向量机和随机森林两种分类算法进行比较。在CASP9和CASP10数据集上的实验结果显示,本文设计的残差神经网络分类模型的分类准确率分别达到93.8%和93.2%,比支持向量机和随机森林的分类准确率高出5%。而传统的固有无序蛋白质检测方法:DISOPRED3、PreDisorder和ESpritz等在相同数据集上的准确率在80%左右,本文方法较传统方法提高了13%。结果表明:本文提出的特征提取方法,补充了传统检测方法中氨基酸序列特征的不足,提高了分类准确率。