分子育种一直是农业研究的热点之一。研究人员从研究单个个体的基因编辑技术到大规模的大田实验一直致力于提高农作物的品质和抗逆性,有优质基因突变品种作为大田实验中筛选抗性和进行突变研究的主要来源,帮助研究人员高效且经济地筛选出可以进行突变研究的突变体是具有重要意义的,本文针对主要农作物筛选突变体基因应用需求,开展了主要农作物突变体正负向预测研究。本文主要内容以及工作如下:（1）通过国内外研究现状调研,在NCBI的Pubmed数据库中查阅相关文献完成了拟南芥、水稻、小麦、玉米突变体数据的收集和整理工作,共搜集350条数据并整合成为了离散型数据集,为农作物突变正负向预测研究提供数据支持。（2）针对收集的突变体数据特征决策不敏感问题,首先统计数据集中各遗传表型出现的频率,结合以往文献研究成果选择出共10种遗传表型,再使用卡方检验筛选出结构突变、外界敏感度、脂肪含量、代谢途径、繁殖突变、温度或光照条件六种突变体数据特征。（3）开展了基于机器学习算法比较的基因突变预测模型研究,使用了决策树算法、朴素贝叶斯算法伯努利模型、BP神经网络算法和深度随机森林算法对数据进行模型构建,经过参数修改和数据集交叉验证的方法得出各算法的准确率。最终确认朴素贝叶斯算法为最佳算法并开发了基于web的预测系统。本文通过以上突变体遗传表型预测的研究,尝试使用机器学习算法对突变的正负向进行预测,降低了分子育种实验中突变体序列匹配的工作量,也提供了一个有效获取优良抗性品种的方式。