蛋白质磷酸化是一种广泛存在于真核生物中的翻译后修饰过程。它在能量代谢、信号传导途径、神经活动、细胞周期和凋亡等多种生物过程中起着重要作用。质谱分析法等传统生物实验的成本较高,因此基于计算方法的磷酸化位点预测成为有效的替代手段。其中无需激酶信息,仅需残基序列作为输入进行预测的非激酶特异性计算方法的需求最广。然而这种计算方法往往对训练数据做了不同的数据压缩策略(如随机采样),降低大数据量所带来的复杂度,以提高训练效率。这些数据压缩做法会导致部分样本原始分布特征损失。此外,对磷酸化位点数据库中未标记的残基位点直接当负样本参与算法的训练也是不科学的。因此,如何解决以上问题,设计有效的算法预测未知的磷酸化位点是有意义的研究领域。基于上述研究问题,本文提出两种非激酶特异性磷酸化位点预测算法。(1)基于核模糊C均值聚类支持向量机的磷酸化位点预测算法。在粒度计算的基础上,该算法结合核模糊C均值聚类,在高维特征空间中划分粒子,获得代表整个样本空间的平衡信息粒。然后在平衡信息粒的基础上,建立了粒度支持向量机预测模型KFCC-GSVM。该模型提高了磷酸化位点数据压缩的合理性和可靠性,使得在应用传统的支持向量机分类时,压缩后的数据在核空间中的分布与预压缩数据相同。十折交叉验证表明该方法优于现有的基于支持向量机的磷酸化位点预测方法Musite和传统的GSVM方法。此外,独立数据集测试证明了KFCC-GSVM模型预测磷酸化位点的泛化能力。(2)基于正-未标记样本学习(LPU)的磷酸化位点预测算法。这是一种两阶段法。第一阶段,采用K-medoids聚类与Spy技术对未标记磷酸化位点数据进行预处理,得到初始可疑负样本集,然后对该集进行Ada Sampling自适应采样得到最终可靠负样本位点。第二阶段,对整合的正负样本点数据,以高维核空间相似性为区分依据,以信息粒的纯度和密集度作为指标迭代划分粒度空间,进行循环聚类粒化得到包含支持向量较多的信息粒,最终构建LPU-GSVM分类模型。同样的实验表明,该分类模型对磷酸化位点的预测更为有效。而且,案例分析实验证明了该算法对未知磷酸化位点的预测能力。