蛋白质结构信息在生物学、医学、药物学等多个领域都起到重要的作用。然而使用生物学实验来的得到结构耗时且昂贵,远不足以解析自然界中存在的巨大数量的蛋白质。所以基于序列的蛋白质结构从头预测具有巨大的理论价值和现实价值。蛋白质残基接触图是蛋白质空间结构的一种低秩表示。它约束着氨基酸间的距离,因此对重构蛋白质结构至关重要。作为一个分类问题,蛋白质接触预测存在一定特殊性:包括蛋白质接触的阈值是人为规定、蛋白质结构测定的各原子位置不完全准确、正负样本不平衡等。这些特殊性使得常用的机器学习模型需要进行一些调整后才能更好的应用在接触图预测中。除此之外,现有方法仍然难以对同源性低的序列进行准确的预测。（1）本文中首先提出了一种基于同源信息和Focal Loss的接触图预测方法,构建了一个深度卷积神经网络,以预测三态二级结构、预测溶剂可及性、直接协同进化信息、互信息、残基对势能等为特征。此外修改了深度卷积神经网络的模型中传统的交叉熵损失函数,转而使用对错误预测更敏感的Focal Loss来训练深度卷积神经网络。在Pfam家族蛋白质、CAMEO困难目标等多个数据集上与前沿算法的对比说明了所提出改进的有效性。（2）现有方法仍然难以对仅包含少量同源信息的目标进行准确预测。针对该问题本文提出了一种完全基于单序列的预测流程。该方法仅仅根据单序列出发编码蛋白质,不使用任何序列同源信息。构造了一个深度全卷积神经网络来建立单序列信息以及残基接触之间的关系。该方法在低同源性目标上获得较高的预测精度以及离散度,在多个CASP自由建模目标上都优于前沿算法。给蛋白质接触图预测提供了一种新的思路。