深度学习是一类以多层神经网络为特征的机器学习方法的统称。近年来,深度学习在图像识别、自然语言处理等领域已得到广泛应用。深度学习适于高样本量、高维度问题场景下的机器学习。在面向序列的生物信息学模型构建中,深度学习方法可通过对序列的初级编码,减少特征提取过程造成的信息损失。基于卷积神经网络,我们建立了通过肽段序列进行S型棕榈酰化修饰位点识别的预测工具DpPalm,我们在DpPalm中通过AAIndex1组合编码肽段序列。DpPalm在独立测试集上预测结果的AUC达到0.866。此外,我们基于双向长短时记忆-卷积混合网络建立了通过核酸序列进行lncRNA识别的预测工具Dp LNC。DpLNC在独立测试集上预测结果的AUC达到0.822。我们还建立了一个完全基于低通量实验验证的lncRNA综合数据库LIVE。我们使用LIVE中收录的新lnc RNA数据集,进一步验证了DpLNC的预测性能,预测敏感度达81.8%。LIVE中收录的数据涉及572种lncRNA,包含了来源于1045篇文献的1342个注释条目。本论文是深度学习在基于生物序列的信息学预测中的典型应用。本论文的研究成果不仅为S型棕榈酰化修饰位点的识别提供了有效工具,而且为lncRNA的识别建立了新的方法。