DNA结合蛋白（DBPs）和RNA结合蛋白（RBPs）在基因调控和基因表达中起着至关重要的作用,包括转录和选择性剪接。此外,大量研究表明一些蛋白与人类的疾病相关。因此,准确识别出与DNA/RNA结合的蛋白具有重要意义。由于DBPs和RBPs在生物上具有相似的功能结构,传统方法需要人工提取特征以及需要耗费很大的成本和时间,无法满足目前大规模基因组数据进行测试的需求。因此,如何有效地识别出核酸绑定蛋白在生物信息学中是一个重要的挑战。鉴于核酸结合蛋白在生物领域中的重要性,本文基于神经网络算法来对核酸结合蛋白进行研究,主要工作包括以下两点:（1）DNA蛋白结合的预测不仅有利于理解基因表达的调控机制,而且是计算生物学领域的一项具有挑战性的任务。传统的DNA蛋白绑定预测方法依赖于手工提取特征,可能会导致分类错误。近年来,深度学习比如卷积神经网络（CNN）成功地应用于分类任务,并显著提高DNA蛋白绑定的预测性能。然而,这些方法是基于原始的DNA序列建模,忽略多序列特征之间隐藏的复杂依赖性和互补性。考虑到这一问题,我们提出一种融合不同序列特征并通过多尺度CNN对这些特征进行系统地分析的方法。该方法首先在不同的DNA序列上设置不同长度的滑动窗口,生成长度不等的多个序列特征。然后,对多特征序列进行融合和编码,以进行特征表示。最后,利用不同结合基序长度的多尺度CNN自动学习和挖掘融合序列特征之间内部属性和隐藏的复杂关系,并充分利用提取的特征的互补优势来预测DNA蛋白结合。（2）从生物学角度来说,一个蛋白不仅仅可以和DNA结合,还有可能和RNA结合。然而我们之前的研究仅仅研究是否和DNA结合,忽略该蛋白是否与RNA结合。除此之外,DBPs和RBPs的识别不仅有助于理解细胞功能,而且是一项具有挑战性的任务。以往的研究表明,由于不同的结合域,这些蛋白质通常被单独考虑,忽略不同标签之间的关系。同时考虑到DBPs和RBPs之间结构和功能的高度相似性,DBPs预测器可以将RBPs预测为DBPs,反之亦然,这导致较高的交叉预测率。面对上述问题,我们提出一种新的深度多标签联合学习框架,可以利用多个标签和结合蛋白之间的关系。首先,设计一个多标签的变体网络来探索多尺度的上下文隐藏信息。然后,利用多标签长短期记忆对不同的绑定标签进行建模,以挖掘标签之间的潜在关系。最后,考虑不同层次的变体CNN校准的联合学习特征,以便多标签长短期记忆网络可以更好地探索它们之间的相关性。我们进行广泛的实验,将该方法与其他现有方法进行比较。此外,我们还进一步了解从我们的模型中获得的蛋白质的相关生物分析的重要性,并总结这些与疾病显著相关的结合蛋白。简言之,在DNA蛋白结合研究中,方法侧重利用多尺度CNN自动提取特征,结合多尺度网络探索多种类型特征之间的关系。而在区分核酸结合蛋白中,利用深度多标签联合学习挖掘标签之间的关系区分出DBPs和RBPs。