随着后基因组时代的到来,膜蛋白类型预测问题作为蛋白质组学中的重要议题成为一个新的研究热点。在膜蛋白类型预测研究中,面对不断增加的庞大的数据量,通过生物实验等传统方法进行膜蛋白类型预测已经逐渐不再适用。本文以机器学习方法为基本,从数据的特征表达入手,将膜蛋白序列转化为能够输入到机器学习算法中的特征向量,并使用多种预测模型与集成方法以此获得更好的预测性能。本文主要内容包括特征的提取与高效利用、集成策略的选择、深度学习模型的构建、特征融合等,取得了比现有方法更好的性能。具体的研究内容列举如下:1.给定一条蛋白质序列可以获得其氨基酸组成信息和进化信息,我们基于这两种信息对蛋白质进行特征提取。特征提取方法主要有氨基酸组成（AAC）、二肽组成（Dip C）、位置特异性评分矩阵（PSSM）。其中,位置特异性评分矩阵是一种强有力的特征表达方法,但是因为其维度的特殊性,使得必须对其进行后处理才能输入到传统的机器学习算法中,毫无疑问,这样会在某种程度上造成信息的丢失。本文将深度学习模型与位置特异性评分矩阵相结合,在不破坏原始的位置特异性评分矩阵的结构的前提下取得了很好的预测性能。2.对于一条蛋白质序列而言,其包含的信息是极其复杂的,氨基酸位置、序列长度以及一些氨基酸的前后依赖都会决定膜蛋白的性状,从而决定其类别。单一的分类器与判定规则无法准确的捕捉到膜蛋白序列中丰富的内在信息,从而影响预测的准确率。集成学习能够“博采众长”,组合不同的分类器,从而为预测结果带来极大的提升与改进。而如何进行分类器的组合和分类器成员的选择至关重要,我们对多种集成策略进行了实验,包括乘法策略,最大策略,线性加权,指数加权,对数加权,以及堆叠集成（stacking）。3.膜蛋白数据集中的膜蛋白是以序列来表达的,即由20个氨基酸字母组成的序列,每条膜蛋白序列的长度从几十到上千不等,而且长度的分布并不均匀,传统的机器学习算法无法捕捉到如此长的序列中的长距离依赖与内部之间的联系,我们引入循环神经网络,将原始的位置特异性评分矩阵直接输入到我们所构建的深度学习模型之中,这种网络模型可以捕捉到长距离的依赖、理解内部氨基酸之间的联系,并且可以从很长的序列中捕获到有用的信息进行加权组合,使得只用了一种特征提取方法就让模型获得了非常好的预测能力。