蛋白质是生命的物质基础,对蛋白质嗜热性能的研究有利于理解蛋白质的热稳定性原理,对研发在极端环境中的生物催化剂、药物研制以及在工业中的应用具有重要的指导意义。运用传统的生物学方法识别嗜热蛋白费时费力,开发快速有效的预测方法势在必行。现有的大部分基于机器学习的方法只是提取单一的蛋白质特征,对嗜热蛋白表达并不全面,且现有方法都仅使用单分类器进行预测,在一定程度上限制了模型的性能。本课题以对嗜热蛋白的预测为研究目标,基于机器学习的方法,围绕对嗜热蛋白的特征提取和预测模型的建立等问题开展研究工作。论文主要研究内容包括以下方面:（1）研究三种基于单特征的嗜热蛋白预测模型。首先,分别运用分组重量编码、ggap二肽组成和改进的三段氨基酸组成方法对蛋白质样本进行特征表达。其次,结合多种机器学习算法,找到每种特征提取方法的最佳参数和最适合的分类算法,在所选数据集上通过Jackknif方法进行验证,构建三种基于单特征的预测模型。经过对比实验结果发现,氨基酸频率更能体现嗜热蛋白的内在信息,且在特征提取方法不同的情况下,使用支持向量机（SVM）的预测结果均优于其他分类算法,证明SVM对嗜热蛋白的预测具有优越性,为下一步研究指明方向且为建模提供基础。（2）构建一种基于多特征融合的嗜热蛋白预测模型。首先,为了更加全面的表征嗜热蛋白,基于多特征融合的思想,运用熵密度、g-gap二肽组成和自相关系数相融合的方法对数据集中的蛋白序列进行特征提取,该方法将嗜热蛋白中的氨基酸信息、物化性质以及各残基的相关性全面的表达。其次,为降低计算复杂度,提高预测精度,使用核主成分分析（KPCA）实现降维处理。最后,将最佳特征向量输入SVM中进行预测,运用Jackknif方法并结合多种评价指标进行验证,构建最终模型。实验结果显示,该方法在所选数据集上预测精度最高为92.81%,ROC曲线下面积达到0.97,并在其他标准数据集上有较好的表现,证明本文构建的基于多特征融合的嗜热蛋白预测模型的有效性。（3）建立一种基于双层级联SVM的嗜热蛋白预测模型。将基于分组重量编码、ggap二肽组成、三段式氨基酸组成和多特征相融合的模型作为双层级联的第一层,将其输出结果串联融合作为第二层的输入,因为SVM对嗜热蛋白的预测具有优越性,在第二层中同样使用SVM进行训练和预测,构建最终的双层级联SVM嗜热蛋白预测模型。实验结果显示,集成模型对嗜热蛋白的总体预测性能进一步得到提升,在Jackknif方法验证下精度最高达到94.51%,且多项性能评价指标均高于其他模型,总体性能好于大多数已报道的方法。该模型在其他标准数据集上同样表现良好,证明所建模型具有较强的鲁棒性且能够显著提高对嗜热蛋白的预测性能。（4）集成阶段性研究成果,设计开发嗜热蛋白预测系统。该系统利用Python和PyQt5开发,结合本项目的研究成果,在实现嗜热蛋白在线预测的同时,还能将本项目的特征提取、数据降维、机器学习算法建模、性能分析等研究过程可视化,并通过一系列性能测试验证系统的稳定性,进而达到为更多的蛋白质预测研究者提供技术服务的目的。