蛋白质翻译后修饰（PTMs）是通过对亚基的蛋白水解切割或整个蛋白质降解的调节、共价添加蛋白质或功能基团来增加蛋白质组功能多样性的过程。PTMs在许多生理过程扮演着十分重要的角色。迄今为止,包括磷酸化、亚硝基化、乙酰化、泛素化等400多种蛋白质翻译后修饰被鉴定出来。传统鉴定修饰位点的实验方法不仅费时费力而且成本效益高,特别是对于鉴定修饰蛋白这个问题上,很少有人用计算的方法去做。因此,开发一种数学计算方法去区分修饰蛋白和非修饰蛋白,再预测特定的修饰位点对于理解生物的基本生理过程进而研究相关药物是十分重要的。在数学的计算方法中,提取蛋白质序列信息是特别重要的一步。但是在当下的研究中,对序列的特征提取单一化导致对序列信息保留度较差,从而影响最后的预测结果。因此,探究一些可以更加全面的保留序列信息的特征提取方法尤为重要。作为400多种PTMs的一种,亚硝基化（SNO）是对一氧化氮（NO）及其衍生物和半胱氨酸残基的共价修饰过程,它在多种生物过程中发挥着关键作用。本研究提出了识别亚硝基化蛋白及其翻译后修饰位点的两个模型。对于识别亚硝基化蛋白,运用了基于GO注释信息的K近邻评分矩阵、伪氨基酸组成（Pse AAC）和基于氨基酸理化性质的词袋这三种特征提取方法从蛋白质序列中提取特征。这三种方法根据蛋白质自身存在的序列信息、结构特点、注释信息和氨基酸的理化性质最大程度上对序列特征进行了提取。此外,为了更全面的保留序列信息,本文还将得到的多种特征进行融合。其次,为了减少数据集不平衡的消极影响,本研究通过结合合成少数过采样和随机删除这两种方法来平衡数据集,然后把平衡后的特征向量输入到随机森林当中。经过五折交叉验证,准确率（ACC）、马修相关系数（MCC）以及ROC曲线下面积（AUC）的结果分别为81.84%、0.5178、0.8635。由于多特征融合很好的保留了序列信息,在此类问题的研究中,本研究预测效果优于其他预测模型。这良好的预测效果,为更快更准确的识别具体的亚硝基化位点打下了基础。在构建预测亚硝基化位点的模型中,本文使用了基于三肽组成（TPC）和K间隔氨基酸对组成（CKSAAP）这两种特征提取方法。这两种方法最大程度地将序列片段信息保留了下来,为了更全面的保留序列片段信息,在这里同样将得到的特征进行融合。此外,为了消除特征融合后的冗余信息以及提高模型工作效率,采用了弹性网络进行特征选择。通过五折交叉验证测试,并把该模型得到的预测结果与现有预测器的预测结果进行对比,可知本文所提出模型的预测效果有较明显提升。本论文首次提出了通过融合多种序列信息识别亚硝基化蛋白问题,并基于亚硝基化蛋白探索了亚硝基化位点问题。通过对比,本研究证实了多特征的融合可以更全面的保留蛋白质序列信息,从而达到更好的预测效果。因此认为多特征融合对于蛋白质及其相应位点的预测是十分有必要的。