DNA甲基化是人们最早观测到的表观遗传调控装置之一。最能够体现原核生物中DNA修饰的则是N6-甲基腺嘌呤（6mA）,其最关键的作用发挥在限制-修饰系统中,在外来DNA入侵时保护自身DNA。近20年来的研究在真核生物,甚至包括哺乳动物和植物基因组中鉴定到了 N6-甲基腺嘌呤,并指出了其对于多细胞真核生物的基因调控,疾病免疫等方面的基础性作用。这些研究掀开了真核生物表观遗传修饰的新篇章。作为这一研究最初始也最为关键的一步,N6-甲基腺嘌呤的鉴别就显得尤为重要,具有很强的理论和现实意义。本文针对一类DNA N6-甲基腺嘌呤数据集,这类数据难以通过传统的机器学习方法提特征。于是本文提出了一种新的分类预测方法——基于距离的支持向量机预测DNA N6-甲基腺嘌呤修饰算法。该算法避免了传统机器学习中的特征提取选择的问题,转而获取序列间的距离矩阵。首先采用基于后缀树的中心星比对算法来对数据集进行序列比对得到相似性矩阵,然后将相似性矩阵进行巧妙地取对数变换得到关键的距离矩阵,接着通过一个高斯变换将距离矩阵转换为符合训练条件的核矩阵,最后在支持向量机中采用核方法对数据进行分类预测。同时本文针对提出的算法进行了一个改进,又提出了一种基于距离的支持向量回归机预测DNA N6-甲基腺嘌呤修饰算法,此算法与支持向量机算法的最大不同在于所求的是离分类超平面最远的支持向量之间的距离最小而不是离分类超平面最近的支持向量之间的距离最大。本文采用了低阶评价指标:敏感度,特异性和准确率与高阶评价指标:马修斯相关系数和F1值进行了多种对比试验,包括5折交叉验证和独立实验,实验内容有与传统机器学习方法的比较,与业内其他支持向量机算法的比较,与最新研究成果的比较等,实验结果均表明本文提出的算法对于之前的算法都有着不同程度上的优势。