随着机器学习的快速发展以及医学和人工智能的不断融合,用计算机方法辅助研究生物学和医学领域某些问题成为有力的工具。主要组织相容性复合体(major histocompatibility complex,MHC)分子是免疫信息学的重要研究内容,它通过和抗原结合形成抗原肽-MHC复合体,运送至抗原呈递细胞表面,并被T细胞识别,在机体免疫反应中发挥着重要的作用。多肽和MHC的结合性研究,对疫苗的研发、移植排异反应的筛查、免疫疾病的研究等具有重要的意义。本文以收集的肽链数据集为基础,应用机器学习的方法对MHC分子与肽结合问题进行建模,论文主要贡献如下:1)研究肽链序列的特征表示问题,提出了一种结合文本语义向量和特异性得分矩阵的肽链序列的特征表示方法,利用了肽链序列上下文的联系和已知结合位点的作用,为建立模型提供基础。2)深入调研了传统机器学习的方法,然后使用了三种机器学习算法支持向量机、随机森林和XGBoost对问题建模,对比基础特征表示方法和融合的特征表示方法对预测效果的影响。3)将深度学习的方法用于MHC结合性预测,并给出了两种基础模型。使用CNN模型用于提取肽链局部关键信息,RNN模型学习肽链序列位点远距离作用关系,在此基础上提出了一种融合模型C-BLSTM综合二者的优势进行预测,实验结果表明,深度学习算法取得了和基准结果可比的效果并且总体优于传统机器学习算法的表现。