RNA参与着生物体遗传信息的表达、蛋白质的翻译及基因调控等多个生物过程,在生物体内扮演着十分重要的角色。RNA的结构与其功能紧密相关,只有确定RNA的结构才可深入研究RNA的功能。因此,研究RNA的二级结构具有极其重要的意义。传统的RNA结构获取主要有生物实验及计算机预测两种方法。传统的生物实验手段存在成本花费高,时间消耗多等问题。因此,计算机方法成为目前主要的研究手段。现有的预测RNA二级结构的主要方法有:比较序列分析法、动态规划方法及启发式算法等。某种程度上来说,这些方法均取得较好的效果,但也存在着一定的不足。尤其是含假结的RNA结构复杂,使得预测难度加大,往往导致预测效果不理想。假结是一种特殊的RNA结构单元,也影响着RNA的功能。因此,假结的预测一直是RNA二级结构研究中的难点问题。传统的深度学习方法在预测RNA二级结构时,虽然取得较好的效果,但随着网络层数的增加,会出现参数量增多、过拟合等问题。Goog Le Net模型从网络的深度和宽度角度出发,在卷积神经网络模型的基础上进行改进,在提取出更多特征信息的同时,有效提高计算效率。因此,本文使用Goog Le Net模型并借助动态规划方法的思想来预测带假结的RNA二级结构。本文通过实验将现存的真实RNA数据进行处理,利用Goog Le Net网络模型从大量的RNA序列数据和结构数据中提取出有效的特征,然后对提取出的特征进行预测,得出各个碱基的配对概率。针对碱基的预测结果,利用RNA二级结构的定义及动态规划方法的思想,得出每一个碱基配对的概率之和最大的结构,此结构将作为最优的RNA二级结构。本文首先将Goog Le Net模型基于5s RNA、t RNA数据进行评估,并与其他常见的预测算法进行对比,Goog Le Net模型得出的预测精确度,其敏感性和特异性比其他算法中最好的预测结果高约16%。其次该模型基于tm RNA数据进行评估,Goog Le Net模型得出的预测结果比其他算法中最好的预测结果高约9%。由于假结结构较复杂,因此后者得出的预测精度低,但该方法为后续研究RNA的二级结构研究奠定了基础。此外,深度学习算法的性能与数据集大小有关,可推测出随着RNA数据量的增加,深度学习方法对RNA二级结构的预测精度也会有所提高。