蛋白质的功能和它在生物体内的位点存在着紧密关联,新翻译的蛋白质只有被运送到恰当的生物体亚细胞位点上才能发挥其作用,否则将会出现诸如癌症、与遗传相关等难以根治的疾病。目前生物实验方法获取定位信息仍需花费大量时间与金钱,通过计算机如何在海量蛋白质中快速准确定位已经成为生物信息学的一个学习焦点。针对目前生物数据量大、特征维数高,且蛋白质产生是随机、爆发、不连续的特点,造成数据受噪声干扰以及位点上蛋白质数量不平衡等问题,本文提出了基于噪声比LDA和类内隶属度KNN的蛋白质亚细胞定位的方法,具体工作包括以下三个方面:(一)本文立足于线性判别分析进行蛋白质数据降维,在线性判别分析方法中,它是通过Fisher线性判别率找到一个方向的直线,使各类样本在此直线上的投影能够尽可能的分开即类间最大距离,类内最小距离。然而,在mRNA翻译成蛋白质的过程中,由于噪声的存在,蛋白质类内距离变大,大大影响降维效果。因此,本文在此领域引入了噪声比例,利用噪声比例加权线性判别分析方法,使类内距离尽可能的变小,实现其较好的降维。(二)针对亚细胞位点上蛋白质数量不平衡问题,本文采用一种类内隶属度K近邻算法,首先引入类内思想,巧妙地避免某一类因为数据少而选不在前K个样本中,误判为其他类;其次,增加数据属性间的关联关系,利用隶属度表示类与数据样本间的具体距离,使其达到更好的分类效果。(三)实验环节,采用了两组数据(Gram-Negative、Gram-Positive蛋白),以及Jackknife检验方法。结果显示,本文工作对蛋白质分类正确率的提高有明显作用,比如Gram-Negative数据在降维到7维时其分类正确率基本稳定在89%。最后,基于上述研究工作本文给出了一个提供降维和分类预测功能的原型系统,以便于后期实际应用。