随着计算机技术的发展,将生物学和计算机科学结合已经成为一种趋势。生物的多样性,造成识别生物序列的成本较高,同时对于研究人员也提出了严格的要求。采用算法技术识别生物序列能够减少人力成本同时提高序列标注的效率,因此在生物信息学研究中引入算法模型是必不可少的。对生物体的剪接位点研究,有利于控制DNA转录翻译成信使RNA的过程中,避免一些致癌基因的表达,以此减少对于生物体健康的危害。本文研究决策树集成算法模型来识别生物体的剪接位点序列的应用。根据生物剪接位点序列的特点,设计3LE模型对序列特征进行学习,以此实现高精度识别剪接位点序列。主要可分为以下四个部分:（1）介绍3种主要的决策树集成模型,随机森林、XGBOOST和Light GBM模型以及多种常见的集成学习框架,比如:Boosting、Bagging和Stacking等,并对分类算法的评价指标进行了概述。（2）生物体的基因序列由四种核苷酸构成（A,C,G,T）,以文本的形式将序列结构呈现出来。计算机为识别生物体的序列特点需要将文本序列转化为数值形式。本文对生物体剪接位点序列进行去除杂质项处理后,采用多种K-MER编码（K=1,2,3）来采集序列结构信息,利用相对频数编码的方式将文本序列转化为数值序列,以此完成对生物体剪接位点序列的数据预处理和特征工程操作。（3）本文采用决策树集成算法来对生物体的剪接位点序列进行识别,通过分类算法的评价指标分析,验证了决策树集成算法对生物体的剪接位点序列识别的可行性。同时,发现Light GBM模型能够高效识别剪接位点序列,识别的准确率均在0.94以上,最高可达0.98。此外,通过SHAP值和决策树模型的特征重要性分析发现剪接位点周围的核苷酸构成会对模型识别序列造成影响,尤其是序列中腺嘌呤脱氧核糖核苷酸的含量对模型识别序列做出的贡献最大。（4）本文根据Stacking集成思想和对序列的先验知识了解,构建3LE模型来差异化识别不同侧的剪接位点序列,经分析发现该模型相较于单个Light GBM模型有较好的识别序列能力和较好的泛化性能。同时,3LE模型的预测精度优于一些现有的剪接位点序列识别方法,采用3LE模型对受体剪接位点序列识别可以平均降低31.07%的相对误差率,对供体剪接位点序列识别可以平均降低15.29%的相对误差率。