蛋白质亚细胞定位研究是蛋白质组学的重要内容同时也是生物信息学的热点问题。可视化细胞中蛋白质的图像通常用于生物医学研究,对研究某些疾病的发病机理、药物设计和发现具有重要意义,这些细胞可以成为下一个医学突破的关键。当前的图像层次的蛋白质亚细胞定位研究方法主要有基于传统机器学习和基于深度学习两种。基于传统机器学习的方法需要人工提取特征,费时费力,不能实现自动化蛋白质亚细胞定位;当前基于深度学习的方法普遍只针对某一种特定的细胞类型,不具有普适性,对于蛋白质亚细胞定位中存在的多标签图像分类问题,需要为每种亚细胞单独设计神经网络,细胞中的亚细胞结构较多使得当前基于深度学习的方法缺乏灵活性。以此为背景,针对当前基于深度学习的蛋白质亚细胞定位方法存在的不足,本课题对蛋白质亚细胞定位问题抽象出的多标签图像分类问题进行研究,调研并实现三种经典的用于解决多标签图像分类问题的深度学习方法以解决蛋白质亚细胞定位中的多标签图像分类问题,并提出只需使用蛋白质染色图像作为输入,既能解决亚细胞标签与标签的依赖问题,又能解决亚细胞标签与染色图像对应区域依赖问题的融合模型,从而提升蛋白质的亚细胞定位效果。主要工作如下:1)调研并实现三种基于深度学习的多标签图像分类方法CNN＿RNN、SRN和ML＿GCN并将其应用于蛋白质亚细胞定位问题,针对CNN＿RNN的不足提出改进的CNN＿LSTM,利用LSTM的记忆单元同时学习蛋白质亚细胞染色图像特征和亚细胞标签依赖特征,提升蛋白质亚细胞定位效果,通过实验表明CNN＿LSTM优于CNN＿RNN。2)通过分析三种模型CNN＿LSTM、SRN和ML＿GCN各自的优势和不足,即CNN＿LSTM和ML＿GCN只解决多标签分类问题中的标签和标签依赖、SRN只解决多标签分类问题中的标签和图像对应区域依赖。通过神经网络多端输入融合的方法来融合模型的优势,提出两种融合模型LSTM＿SRN（融合CNN＿LSTM和SRN）和GC＿SRN（融合ML＿GCN和SRN）。通过实验表明提出的两种模型均提升了蛋白质亚细胞定位效果,两种模型中GC＿SRN效果最好,且优于同一数据集上的其他方法。3)针对蛋白质亚细胞定位中存在的亚细胞类别样本数量不均衡问题,使用Focal Loss改进二分类交叉熵损失函数,减少易分类亚细胞样本的权重,使得模型在训练时更专注于难分类的亚细胞样本,同时可以解决训练样本的不均衡问题;针对GC＿SRN的模型优化,包括模型量化和模型压缩。通过对训练好的模型使用INT8量化,在损失较少模型精度的条件下大幅提高模型的推断速度,同时也相当于对模型添加了正则化,一定程度上避免了过拟合。通过利用通道剪枝,移除模型中对模型性能无关紧要的网络通道,减少模型参数,从而提高模型的推断速度,减少模型占用内存。