核糖核酸（RNA）在细胞的生命过程中具有重要且多样的生物学功能。长期以来,金属离子被认为在RNA的折叠中发挥了重要作用,并对RNA分子多种功能的发挥至关重要。尽管实验解析的RNA结构越来越多,但实验确定RNA结构中的离子存在诸多困难。三维卷积神经网络（three-dimension convolutional neural networks,3DCNN）能够直接从原始数据中学习有用的特征,已被应用于生物分子结构功能预测的诸多方面。为此,基于3DCNN,我们分别提出了在核苷酸和原子水平上预测RNA结构中金属离子结合位点的理论新方法。主要研究内容包括:（1）提出了在核苷酸水平上预测RNA结构中Mg2+结合位点的基于3DCNN的方法RNAMg,目的是初步探索使用深度学习方法开展RNA中金属离子结合位点预测的可能性。首先收集了PDB（protein data bank）数据库中高分辨率的RNA结构,构建了非冗余RNA-Mg2+结合位点数据库（包含113个结构）;随后对每个核苷酸建立局部坐标系,使用核苷酸周围微环境（碳、氧、氮、磷原子分布和原子电荷）作为特征,将RNA三级结构作为3D图像送入3DCNN预测RNA-Mg2+结合位点。在5折交叉验证（5-fold cross-validation,5CV）中RNAMg的精度为0.661。独立测试集上的预测表明,与目前提出的基于核苷酸水平的先进方法RBind和RNAsite相比,RNAMg在识别RNA结构中Mg2+结合位点上具有明显的优势,Matthews相关系数（Matthews correlation coefficient,MCC）为0.345,高于RBind与RNAsite（MCC分别为0.109和0.058）。（2）在使用3DCNN预测核苷酸水平RNA中Mg2+结合位点的效果得到验证后,发展了在原子水平上预测RNA结构中不同种金属离子结合位点的3DCNN模型Metal3DRNA。首先从PDB数据库中收集了RNA与不同种金属离子(Mg2+、K+与Na+)结合的结构数据,建立了其非冗余数据库;之后,提取原子类型和电荷作为输入特征,并使用不平衡数据集训练模型;最后,分别对三种金属离子结合位点,采用5折交叉验证法获得最优预测模型。在独立测试集上,与其他原子水平的预测方法FEATURE和Metalion RNA进行比较,Metal3DRNA模型在23S r RNA（PDB ID:1HC8）结构上的金属离子结合位点预测中,7个实验Mg2+结合位点中的5个排在预测结果的前7位,略优于其他两个方法。在独立测试集的其他结构上,预测出45个金属离子结合位点中的42个。此外,对代表性案例进行了结果可视化分析,通过显著性图探究了特征对分类决策的贡献。综上,本研究工作利用深度学习分别建立了在核苷酸和原子水平上预测RNA结构中金属离子结合位点的新方法。两种方法与目前的预测模型相比具有更高的准确性。本工作对理解RNA与金属离子相互作用,以及折叠、核酶催化反应等各种关键生物学过程及相关疾病的产生机制有重要意义。