随着测序技术的发展,产生的序列数据量越来越多,如何从海量生物数据中挖掘有利信息,是生物学研究面临的一个挑战。用低维、核心特征来表示序列,有利于提高计算效率,是解决上述问题的一种有效手段。本文研究了生物序列的特征提取和特征选择技术,将它们应用于微生物水平基因转移预测和生物序列聚类领域中,主要围绕以下3个方面开展工作:1.针对其他水平基因转移预测方法计算准确度不高的问题,提出了一种基于降噪自编码器、集成多组预测结果的DAE-HGT模型。该模型首先分别应用PCA算法、降噪自编码器以及结合PCA算法和降噪自编码器这三种方法提取序列特征,然后根据提取的特征进行水平基因转移的预测,最后集成三个分类器的预测结果判别是否发生了水平基因转移。实验结果表明,与当前业界常用的四个模型——曼哈顿距离、欧式距离、d2距离和基于背景自适应的d2*（4,1）距离相比,DAE-HGT模型预测精度最高,计算时间最短,验证了DAE-HGT模型的有效性。2.提出一种基于二部图的序列特征选择模型——Kmer Rank。该模型将序列和特征kmer作为图中两种类型的节点,将序列中kmer的频度作为边权重,构建两类节点之间的二部图关系,计算了kmer节点权重。权重越大,代表kmer特征越重要。针对原始算法计算效率低的问题,开展优化工作,通过根据频度大小将kmer特征排序之后再计算权重,将时间复杂度从O（M*N2）降至O（M*N*log N）,提高了计算效率。3.在Kmer Rank模型的基础上,本文提出一种新的生物序列聚类算法,验证了Kmer Rank模型在序列特征选择上的有效性。首先,应用Kmer Rank算法计算kmer权重,筛选权重大的kmer作为重要特征。然后,计算重要kmer的相关性,过滤冗余特征,得到候选特征集。最后,应用Kmeans算法进行序列聚类。与现有方法相比,本文提出的基于Kmer Rank的聚类模型有效地提取了序列特征,对聚类准确度和计算效率的提高都有较大贡献。在微生物水平基因转移预测研究中,提出三种特征提取方法,减少计算时间,提高预测精度,验证了提取的特征对于水平基因转移预测是有效的。在生物序列聚类的研究中,根据Kmer Rank权重计算模型筛选重要特征,在保证聚类准确度的同时提高了计算效率,是一种有效的特征选择方法。