microRNAs(miRNAs)是具有保守性的短核苷酸序列,在基因转录调节中扮演着重要的角色。将microRNA序列特征进行量化,采用机器学习技术发现新的microRNA是当前的研究热点。然而,许多现有的方法忽略了microRNA预测问题中存在的类不平衡问题。这可能会使模型过度学习多数类,降低分类性能。此外,这些方法通常对窄范围的物种是有效的。本文旨在建立一种物种间通用的microRNA预测模型,拓宽其可用物种范围并减少计算时间。本文结合集成学习的思想,采用五个SVM分类器,经采样、特征选择、分类器参数优化等三个步骤,建立了一种物种间通用的microRNA预测模型。首先,针对microRNA数据集的类不平衡问题,本文提出了基于序列熵的分层采样算法。该算法可在保持样本总体分布的基础上,采样生成正样本和负样本数量平衡的训练集。其次,针对训练集维度高,样本量大导致分类器训练速度慢的问题,本文提出了基于信噪比和相关性的特征选择算法,用于缩小训练集规模,以达到提高训练速度的目的。最后,本文提出了DS-GA算法,用于缩短SVM分类器参数的优化时间,达到减少过拟合的目的。本文在microRNA序列数据集和公共数据集上进行实验及对比实验,验证了本文提出算法的有效性。在microRNA数据集上,根据本文算法建立microRNA预测模型。在测试集上该模型与其他预测方法相比,具有更高的准确率。实验表明,本文构建通用的microRNA预测模型的思路是有意义的。该模型为进一步验证可能存在的microRNA提供了参考。