蛋白质结构预测在生物信息学研究中占有重要地位，而蛋白质二级结构预测是蛋白质结构预测的关键步骤。本文结合氨基酸序列的编码方式，介绍了几种改进BP算法在预测蛋白质二级结构中的应用，并对网络的学习过程及结果进行分析和评价。主要研究内容及成果如下： (1)首先了解蛋白质一级及二级结构的种类，并掌握其表示方法。从蛋白质数据库中随机选取58条蛋白质，对它们的氨基酸序列和对应二级结构特征进行提取和表示，为整个研究提供了原始数据； (2)对已获取的氨基酸序列及其二级结构进行编码，为神经网络训练和测试提供输入、输出数据。设计编码方法时，考虑其可能对神经网络的结构、运算能力以及最终预测精度的影响，提出了4种氨基酸序列的编码方式，讨论它们结合神经网络预测蛋白质二级结构时存在的问题及优点； (3)基于标准BP算法在预测时存在的缺陷，介绍了3种改进BP神经网络，从原理出发分析了它们改进的具体内容、改进以后可能出现的特点以及相比较于标准BP算法有哪些优点； (4)结合各种编码方式和不同神经网络实现蛋白质二级结构的预测，给出各种组合下得到预测结果并予以分析。提出一种新的改进方法，即遗传算法结合动量法与学习率自适应调整策略的BP神经网络。实验表明，基于正交编码方式的这种神经网络预测可以得到较高的准确度，可将蛋白质二级结构的预测准确度提升到74.35％。 本课题得到了国家自然科学基金(NO.60234020)的支持。