蛋白质结构预测一直是蛋白质结构研究的热点方向。由于蛋白质序列是蛋白质结构形成的基础和决定性条件,因而本论文主要通过蛋白质的序列来预测蛋白质的结构。本论文的主要工作和成果可以归纳为以下几点:（1）蛋白质序列特征信息的提取为了能更好的进行蛋白质结构类和二级结构的预测,本文首先提出了一套较为全面、有代表性、能最大程度反映蛋白质序列特性的特征信息。这套特征信息包含了序列统计特征、序列物理化学特征、序列信号特征三方面的信息,并且能全面涵盖蛋白质序列中的短、中、长程之间的关系。（2）蛋白质结构类预测结构类预测算法一直是蛋白质结构预测的热点。针对传统结构类预测算法中较少考虑序列长程效应的缺点,本论文把（1）中新的特征信息引入到了训练和预测当中。在蛋白质结构类研究当中,训练过程用到直接平均法、神经网络方法。分类过程中用到的算法为:神经网络法、最近邻居法、bayes法和本论文提出的最大信息量法。其中,最近邻居法是文献当中主要使用的方法,用该方法可以横向比较本论文与其他文献结构类的预测结果。采用神经网络和最大信息量法能够很好的提升结构类的预测正确率。数据集和评价体系也是蛋白质结构类预测的一个重要因素。本论文通过构建一个包含所有已分结构类的蛋白质序列非冗余数据集,保证了数据集的全面性、有效性和可靠性。本论文还通过多种评判指标来分析结果的各种性能。本论文提出的方法对蛋白质结构类预测的正确率可以达到74.3%（留一法）,比主要文献提到的正确率要高2%-20%。（3）蛋白质二级结构预测在本论文中,蛋白质二级结构的预测并不考虑序列比对的信息,这是为了在预测中不引入与蛋白质自身序列无关的信息,这样可以对特征信息提取和预测算法做更好的评判。蛋白质二级结构预测的关键问题是二级结构片段位置的确定以及二级结构片段类型的预测。本论文通过考察蛋白质疏水值的局部特性来定位二级结构片段,通过对二级结构片段特征信息的训练得出三种二级结构类型的代表性特征向量,并将其作为预测的依据。二级结构片段定位中用到的方法为小波变换法,片段类型的训练和预测过程中用到的算法为直接平均法。本论文提出的蛋白质二级结构预测方式较为新颖,并且具有生物学意义。在蛋白质二级结构预测中用到的是CB396数据集,这个数据库具有低序列相似度和低序列冗余度的特性,并且已经有多种方法对该数据库做了测试,方便了本论文结果与其它方法结果的比较。从结果看,本论文的二级结构预测正确率（Q3）达到70.21%,SOV的正确率为67.14%。这一结果与现有的方法相比相差无几。最后,利用蛋白质结构类的信息,得到了蛋白质结构类倾向性因子这一特征信息,该特征信息比传统的倾向性因子更能反映氨基酸对二级结构的偏好性。（4）蛋白质结构预测软件编写根据本论文提到的与蛋白质结构类和二级结构有关的特征信息、预测方法和预测模型,编写了蛋白质结构预测软件。该软件具有多参数、多分类方法的特点,用户可以自己定义特征信息和机器学习方法,方便灵活。在默认状态下,程序会自动调用本论文的预测模型以及所使用的参数,使得用户可以直接使用本论文的研究成果。