DNA绑定蛋白在许多生命活动中发挥了不可或缺的作用。对DNA绑定残基特性的分析及识别有助于更好地理解染色质重组和基因调节表达的机制。计算方法的使用能切实加快这一进展同时也能为物理化学生物实验提供有用线索。就进化保守性而言,DNA绑定残基和非DNA绑定残基存在统计学上的差异。这些差异在机器学习方法对其二者进行区分时发挥了重要作用。在DNA绑定残基的预测领域,传统的机器学习方法通常构建一些静态的数据集来生成它们的知识模型。为了保证其模型的泛化能力,许多同源的DNA绑定蛋白在数据组建的过程中被剔除。然而,这些被剔除蛋白样本仍然能为蛋白质-DNA相互作用的研究提供有用信息。考虑到这一点,本文提出了一种基于进化保守性的新方法来填补传统机器学习模式的空白,同时也为更好地识别DNA绑定残基作出努力。首先,本文创建了一个大规模的可扩充的样本池来收录有用样本。接着,本文使用相对位置特异性得分矩阵和协同进化保守性描述符来编码特征空间。最后,本文设计了一种基于待测序列的动态建模算法来更多地利用已知结构和功能的蛋白样本。与传统方法相比,对动态模型的引入可以在很大程度上提升预测质量。在测试集上的实验结果证明,本文提出的方法具有较好的泛化能力,它能够作出比许多具有先进科学技术水平的方法更为优秀的预测。此外,为了方便学术使用,本文也把该方法部署到了网络服务器上,服务器网址为:http://www.inforstation.com/webservers/DQPred-DBR/。