了解DNA-蛋白质结合的特异性对于理解基因表达、调控机制和基因治疗有着重要的意义,而转录因子是一种常见的DNA结合蛋白。转录因子通过与DNA结合调控位于其下游基因的表达,增强或者抑制下游基因的活性,对蛋白质的翻译也起着至关重要的调控作用。因此,从DNA序列中精准地识别出转录因子结合位点是一项重要的任务。基于分子生物学实验来识别转录因子结合位点的方法存在耗时长、成本高等缺点。近年来,随着高通量测序技术的出现、计算机性能的提升与算法的发展,为构建转录因子结合位点预测模型从海量生物数据中挖掘出有价值的知识提供了可能。然而,现有基于机器学习、深度学习的转录因子结合位点预测模型的预测精度还有待提高。因此,进一步提高转录因子结合位点预测模型的性能十分有必要。本文对基于DNA序列的转录因子结合位点预测问题进行了深入研究,主要工作如下:（1）本文将自注意力机制与残差网络相结合,提出了名为SARes Net的转录因子结合位点预测模型。自注意力机制能很好地捕捉序列的远程依赖关系,将空间信息集成到网络中,同时与卷积得到的局部信息相互补充,使网络能够有效地学习空间位置信息和局部信息。同时,SARes Net采用了迁移学习,提高了网络的泛化性能,加快了模型微调阶段的收敛速度。实验结果表明SARes Net模型在转录因子结合位点预测的基准数据集上表现良好,与目前最先进的方法相比有进一步地提升,且具备良好的预测性能与泛化能力。（2）本文考虑到LSTM网络具有处理序列数据的强大特性,并且能够处理长期依赖的问题,基于LSTM网络提出了名为LSTM-Net的结合位点预测模型。实验结果表明LSTM-Net具备较好的预测性能。（3）考虑到SARes Net与LSTM-Net都具备相近的预测性能,本文还提出了名为SARes Net-LSTM的自注意力残差网络与LSTM网络相结合的转录因子结合位点预测模型。并通过在不同规模的数据集、不同细胞系的数据集上对比了LSTM-Net、SARes Net和SARes Net-LSTM的预测性能,还与其他现有预测模型在基准数据集上进一步对比,表明了本文提出的三种模型预测的准确性与稳定性。（4）为了方便生物医学研究者的使用,我们基于Spring Cloud微服务框架开发了一个预测平台用于提供在线的结合位点预测服务。