细胞内部是一个复杂且有条不紊的生化环境,正常的生命活动依赖人类蛋白质出现在特定的亚细胞位置才能行使特定的功能。人类蛋白质的亚细胞定位是理解细胞生命过程及蛋白质的功能重要的生物信息。传统手动注释蛋白质亚细胞位置需要耗费大量的时间和成本。因此,借助高效的机器学习算法建立自动化的蛋白质亚细胞定位分析系统成为一种现实需要。另一方面,成像技术的发展为生物信息学领域累计大量的图像数据,促使人们将生物图像数据转化为相应的生物知识。因此,基于图像的蛋白质亚细胞定位分析也成为必然趋势。基于图像的蛋白质亚细胞定位预测分析主要包括:数据集准备、图像信号分离、特征提取和特征选择、模式分类。围绕这四个步骤,领域内提出了一系列算法,本文主要研究图像信号分离,其主要目的是从图像信号中分离出蛋白质信号。图像信号分离作为数据处理的第一步,在此处产生的误差会在后续数据处理过程中累积并且放大,因此对系统预测精确度有重大影响。所以研究图像信号分离算法,对于提高整个预测系统分类精度具有重大意义。现有图像分离方法主要分为两种:线性分离和盲源分离。由于线性分离不能适应图像的染色变化,所以它对模型的解释性不强,盲源分离方法可以避免这个问题。本文基于盲源分离提出一种加入稀疏和单体体积最小双正则项的非负矩阵分解算法,这种新算法的主要优势是:1.符合图像数据非负特性和混合特点;2.约束图像数据分布的单体体积最小,可以使解更紧支撑;3.稀疏约束使解更具稀疏性。为了验证本文提出算法的有效性,需要建立人类蛋白质亚细胞定位分析系统进行分析。现有的大多数主要集中在单标记学习算法,即将人类蛋白质定位在一个亚细胞器上。在细胞内有部分蛋白质同时出现在两个或者两个以上亚细胞器中,或者在不同亚细胞器之间往返运输动态分布的特殊情况。对于这类定位在多个亚细胞器上的蛋白质,单标记学习算法的亚细胞定位已经不再适用,必须采用能同时定位在不同的亚细胞器上的多标记学习算法。本论文设计基于图像的人类蛋白质亚细胞多标记定位分析系统,能同时处理单标记和多标记学习问题。该系统主要实现步骤包括:1.从人类蛋白质库中整理数据集;2.用本文提出的基于双正则项非负矩阵分解算法应用于图像信号分离,3.用全局的亚细胞位置特征和局部的局部二值模式特征算子提取特征,利用逐步判别分析实现特征降维;4.分类器设计根据是否考虑类标相关性,采用两种多标记算法:二值相关性和分类器链。实验结果显示本文提出的基于双正则项非负矩阵分解算法超过线性分离6%,并且相对于标准非负矩阵分解算法提高10%,说明它更深入挖掘图像数据中隐含的信息、理解图像信号分离模型。在特征提取层面,采用全局特征和局部特征结合的方式优越于仅采用全局特征,说明局部特征可以弥补全局特征缺失的信息。在分类器层面,二值相关性和分类器链有各自优势和缺陷,所以在分类器设计时要兼顾类标相关性进和独立性。