蛋白质宇宙是包含了所有生物体中全部蛋白质的集合,它将不同蛋白质的序列、结构和功能联系在了一起。通过利用实验获得的蛋白质序列、结构等信息构建完整的蛋白质宇宙是生物信息学中的重要课题,其对蛋白质结构预测、蛋白质进化路径分析以及蛋白质结构设计等方面的研究都有着重大意义。蛋白质结构空间是蛋白质宇宙的一个表示形式,人们通过在其中建立起层级结构、图结构和网络结构,在不同蛋白质的序列、结构和功能之间建立了联系。本文从蛋白质结构的一种简化表示——蛋白质接触图出发,通过训练卷积神经网络进行特征提取,筛选出可识别结构域折叠类型的最小特征向量,获得了蛋白质折叠类型的最小表示,并使用谱聚类等方法对不同蛋白质类的折叠类型高维分布情况进行分析,构建了蛋白质折叠类型空间。我们得到的最小特征向量兼顾了信息的完整性与冗余度,可以很好的表示全部7种常见蛋白质类的空间关联。本研究的结果填补了之前蛋白质宇宙研究中对不常见类的空间位置和相互关系描述的空白,加深了对于蛋白质结构相似性的理解。在具体的研究过程中,我们使用深度卷积神经网络作为核心特征提取方法。通过对网络模型进行修改,使得其可以提取出蛋白质结构信息中对于类和折叠类型识别有着重要作用的部分,从而更好地将属于不同结构分类的结构域分离开。为了寻找折叠类型的最小表示,我们通过对模型中特征层神经元数量进行限制,构建了多个网络模型并通过不同方法对提取出的折叠类型表示进行评估。评估结果表明,长度为8的特征向量完整包含了折叠类型识别的所需信息,在聚类中各个类标签的代表簇分离顺序与人们对结构相似性的直观理解一致,是蛋白质折叠类型的最小表示。同时,在4维附近存在蛋白质折叠类型表示的临界维度,不同类的折叠类型在空间中基本分离。在获得折叠类型的最小表示之后,我们使用主成分分析将其投影到三维空间,给出了折叠类型空间的直观展示。在此空间中,分属于各个类的折叠类型在空间中均占据属于自己的区域,其相互之间界限较为明显,使用折叠类型的代表特征向量进行聚类的结果与真实类标签之间吻合程度较高;同时该空间不仅仅包含在之前研究中经常出现的Allα类,Allβ类,α/β类和α+β类,未曾详细涉及的多结构域蛋白类,膜蛋白类和小蛋白类都在空间中找到了属于自己的位置,使研究它们在蛋白质宇宙中的关系成为可能。同时,该折叠类型图也将将高维空间中折叠类型的分布特征直观地展现出来。本论文整体内容安排如下:第一章对蛋白质宇宙、蛋白质折叠类型识别和深度学习技术进行了简要介绍,阐述了本论文的研究背景;第二章具体介绍了论文中所使用的研究方法与构造的结构参数;第三章讨论了我们获得蛋白质折叠类型最小表示的具体过程以及其在高维空间中的分布形式,给出了直观的三维展示;第四章是对全文的总结与对未来研究的展望。