RNA-蛋白质相互作用（RNA-protein interactions,RPI）在细胞运动、染色体复制、转录与翻译和信号传导等基本细胞生理过程中发挥着重要作用,其机能失调是导致神经性疾病、癌症、免疫紊乱等疾病的原因。预测RPI可以为细胞生物学功能探索、疾病干预和药物设计提供指南,对生命科学、医学和信息科学的发展具有重要意义。传统生物实验方法耗时耗力且稳定性差,不能满足大规模预测任务的需求。因此,迫切需要探索和开发低成本高效率的计算方法对RPI进行预测研究。本文综合运用多种机器学习方法对RPI进行预测,研究内容如下:1.提出一种基于Stacking集成机器学习的RPI预测方法RPI-MDLStack。首先融合序列信息、物化性质和二级结构信息对RNA进行表征,融合序列信息、物化性质和进化信息对蛋白质进行表征。其次,本文首次将最小绝对收缩和选择算子（Least Absolute Shrinkage and Selection Operator,LASSO）特征选择算法应用到RPI预测领域,筛选出对预测任务贡献大的低维特征子集。最后,基于Stacking集成策略,将多层感知机（Multilayer Perceptron,MLP）、支持向量机（Support Vector Machine,SVM）、随机森林（Random Forest,RF）三种经典机器学习方法和门控循环单元（Gated Recurrent Unit,GRU）、深度神经网络（Deep Neural Networks,DNN）两种深度学习方法作为基分类器组合,与元分类器SVM进行集成构建预测模型框架。最终,基于五折交叉验证,RPI-MDLStack在数据集RPI488,RPI369,RPI2241,RPI1807,RPI1446上的准确率分别达到96.7%,87.3%,94.6%,97.1%,89.5%。在独立验证测试实验中总体预测准确率达到97.8%。此外,本文也将RPI-MDLStack模型对RPI网络进行预测和可视化。实验结果表明,RPIMDLStack可以为提高RPI预测能力提供见解。2.提出一种基于基于生成式对抗胶囊网络和卷积注意力机制的RPI预测方法RPI-Capsule GAN。首先融合k-mer,RNA二级结构,KGap描述符,伪二级结构组成用于对RNA序列的表征;融合三联体组合信息编码,蛋白质二级结构,距离差异位置特异性得分矩阵,简化位置特异性得分矩阵,分组三肽组成对蛋白质序列进行表征。其次,使用弹性网（Elastic Net,EN）特征选择方法,去除变量之间的冗余信息或与任务不相关的噪声。最后,本文首次将卷积注意力机制（Convolutional Block Attention Module,CBAM）引入生成式对抗胶囊网络（Generative Adversarial Capsule Network,Capsule GAN）构建RPI预测分类框架,每个输入特征分配权重优化特征空间。在5折交叉验证测试中,RPI-Capsule GAN方法对数据集RP1488、RPI369、RPI2241、RP11807和RPI1446的预测准确率分别为97.1%,88.8%,92.5%,97.3%和87.8%,优于其它现有RPI预测方法。在本文构建的五个测试数据集NPInter227中,预测准确率分别达到97.38%,96.48%,97.38%,97.81%,97.15%,优于其它主流深度学习算法。此外,本文也将RPIMDLStack模型对酿酒酵母细胞中的RPI网络进行预测和可视化。实验表明,RPICapsule GAN能够实现对RPI的准确预测。