DNA复制起始位点（Origins of Replication,ORIs）识别是生物信息学领域的重要研究课题之一。DNA复制是最基础的遗传信息传递过程,影响着细胞分裂、细胞分化和基因表达等过程。因此,通过计算方法实现DNA复制起始位点识别对探求细胞复制机理、基因表达过程、基因突变过程和相关疾病的发病机理等具有重大意义。增强子（Enhancers）及其类型识别是生物信息学领域中新兴的热门研究课题之一。增强子是存在于DNA非编码区的DNA片段,在生物学过程中主要作用是刺激编码区DNA序列的转录速度,提升合成蛋白质的效率,根据刺激强度的不同可以分为强增强子和弱增强子。增强子的属性功能变化可能会导致许多疾病的发生,尤其是癌症、失调和炎症性肠胃病等。因此深入研究增强子及其功能机制对人类认知相关疾病病理与开发治疗手段具有重大意义。通过生物实验方法能够准确识别生物序列属性和功能,但是时间和资源成本高,且无法大规模开展。因此,需要开发出能够快速、准确的计算方法代替生物实验方法。基于深度学习,本学位论文针对真核生物DNA复制起始位点和生物增强子及其类型识别建立了相应模型,主要研究内容如下:（1）基于卷积神经网络（Convolutional Neural Network,CNN）,构建了新的酿酒酵母复制起始位点预测模型。将数据集中DNA序列切割成三联核苷酸组成,通过计算三联核苷酸含量及其相应物理化学性质构建DNA序列特征向量,输入到卷积神经网络进行复制起始位点识别。通过实验,验证了随着网络层数增加,识别效果随之提升。由于较深的网络容易引发过拟合现象,因此采用单层卷积层的卷积神经网络作为最终模型。通过与现有方法进行比较,表明本模型的预测性能优于现有方法。（2）将自然语言与生物序列相结合,基于Word2vec和带有嵌入层的卷积神经网络,构建了真核生物复制起始位点预测模型。使用连续3-gram滑动窗口分词方法分割DNA序列得到生物学词,利用Word2vec训练出各个词的分布式表示,然后输入至带有嵌入层的卷积神经网络实现复制起始位点识别。为了提高DNA序列中各词核苷酸的利用率,使用间隔3-gram滑动窗口进行分词,并获得增强数据集,在增强数据集上执行识别任务。对每个物种选择出最优分词方法和网络训练模式的组合模型,并与现有方法进行比较,对比结果表明本模型具有强大的预测能力。构建各物种的独立测试集,通过实验发现本模型在各个物种独立测试集上均展示出良好性能,证明本模型具有强大的泛化能力。（3）提出了一种基于统计学序列分词和Seq-GAN（Sequence Generative Adversarial Nets）网络序列生成的生物增强子及其类型识别模型。该模型首先使用Seq-GAN网络进行DNA序列生成,扩展非增强子、强增强子和弱增强子的数据规模;然后利用统计学思想,将DNA序列合理地划分为生物词组成;接着,使用Word2vec进行生物词分布式表示训练;最后,使用带有嵌入层的卷积神经网络执行识别任务。实验结果表明,基于Seq-GAN网络生成的人工序列具有与自然序列很相似的核苷酸组成和物理化学性质,且本预测模型在增强子及其类型识别任务中表现出优于现有方法的识别能力。在独立测试集上,本预测模型展示出较强的泛化性能,且能够更全面地展示本预测模型在增强子及其类型识别任务中具有远优于现有方法的综合性能。