非编码RNA在许多动植物生命活动中扮演着重要的角色,具有代表性的是miRNA和lncRNA。越来越多的研究表明,miRNA不仅可以与mRNA相互作用,还可以与lncRNA相互作用,影响生物学过程。目前对于miRNA和lncRNA的研究主要集中在人和动物上,对于植物的miRNA和lncRNA研究相对较少,而对植物miRNA和lncRNA相互作用的研究就更少了,且分散在不同物种中。植物miRNA和lncRNA的相互作在其生长发育过程中起着不可替代的作用,它影响着植物的春化、开花、结果、细胞分化等重要生命历程,探究其作用机制并深入分析其基因组学功能不但在提高作物产量,增强作物抗寒、抗旱、抗病虫害等方面具有重要意义,同时为进一步探究植物基因分子结构和功能提供新的思路和支撑。随着非编码RNA研究的不断深入,出现各种不同的研究方法,这些方法主要被分为两类:生物学实验鉴定和计算预测方法。生物基因组学鉴定方法准确可靠,但代价高、周期长,对于实验仪器和鉴定人员有较高的要求,很难大规模应用。计算方法主要分为特征工程和深度学习两大类。特征工程通过人工获取特征,可以加入一些先验知识帮助模型进行学习,但同时受人为干预较多,特征提取困难,流程复杂,无法全面获取有效特征;深度学习可以自动学习并获取序列特征,进行分类预测,但无法获取基因序列的结构特征,而结构特征对非编码RNA的功能起着重要作用。本文结合特征工程和深度学习方法提出了一种新的植物ncRNA相互作用预测模型。模型通过深度学习获取序列特征,同时人工提取结构特征,通过机器学习将结构特征引入到模型中,来帮助模型更加准确地对数据进行分类。在深度学习中通过卷积神经网络获取并筛选序列特征,接着将其输入到独立循环神经网络中来学习序列前后特征间的长期依赖关系,并有效对抗梯度消失和爆炸问题。机器学习使用随机森林作为基模型进行分类学习,并根据深度学习与机器学习结合的不同方式将模型划分为两种模式。为了验证模型的性能,在大豆、双穗短柄草、蒺藜状苜蓿和小米数据集上进行了实验,分别比较了基于特征工程的机器学习方法和基于深度学习的不同模型架构,并对搜集的真实的经生物学实验验证的21条番茄miRNA-lncRNA相互作用数据进行了测试,提出模型能够准确的识别出这些数据,证明了模型的有效性和准确性。