蛋白质是生物体的重要组成部分,蛋白质的生物学功能在很大程度上取决于其三级结构的动力学性质,从蛋白质的三维结构预测蛋白质不同残基的柔性运动是理解蛋白质功能的分子机制的基础。近年来,卷积神经网络（convolutional neural network,CNN）方法在生物信息学领域得到了广泛的应用,越来越受到大家的重视。本论文借鉴PointNet方法的思想,提出了一种蛋白质结构柔性预测的CNN模型,本文的主要工作如下:首先,本文介绍了基于点云的卷积神经网络算法,并针对蛋白质结构特征的点云分割方法进行了改进,提出了一种新的批量化策略,使用大小不等的小批量输入蛋白对网络进行迭代训练。其次,本文构建了只考虑蛋白质中碳原子的CNN模型。在该模型中,直接将输入的蛋白质空间结构坐标作为三维点云,分别使用对称操作函数和空间变换网络来处理点云的排列不变性和刚性变换。同时使用新的批量化策略,并使用Pearson相关系数作为损失函数。本文使用了三组相对较小、中等和较大的蛋白质数据集来测试该算法的准确性,结果表明,该方法预测得到的B因子与实验B因子的平均相关系数优于高斯网络模型,后者已广泛用于预测蛋白质的柔性。最后,本文构建了考虑蛋白质中所有重原子的CNN模型。实验结果表明,使用所有重原子的预测结果优于只使用碳原子的预测结果。同时,本文将该方法与其它的机器学习方法进行了比较,结果表明,本文的方法优于大部分的机器学习算法,本文的研究为从蛋白质的三维结构进行柔性预测研究提供了一种有效的方法。