随着信息技术的蓬勃发展,计算机科学逐渐渗透到生物信息的各个领域,催生了一种新的学科——生物信息学。蛋白质作为人体生命活动的主要承担者,对它的研究能使我们对疾病的机理更加了解,同时对药物的设计也有促进作用。目前生物信息学正处于后基因组时代,大量的蛋白质序列被测定,提供给研究人员的实验数据和可利用信息急剧增加,传统的生物学研究方法无法及时消化新的数据,并把其转化为相应的科学知识。因此,开发可靠的计算方法,快速精确地预测蛋白质的功能尤其重要。基于集成学习,本论文对蛋白质序列的分类预测进行了深入研究,具体的研究内容如下:1)为了更加有效地挖掘蛋白质序列中所包含的信息,本文使用了一种基于g-gap三肽组成的蛋白质序列特征提取方法,利用不同间隔的三个氨基酸残基的组成在蛋白质序列中出现的频率构成特征向量,进而建模分类;此外,本文还提出了一种基于特殊功能区思想的特征离散化方法。这两种方法构成的特征向量所构建的模型,均在噬菌体病毒蛋白数据集上取得了较好的分类结果,说明了特征提取方法的有效性。此外,本文将二肽不同间隔的特征进行融合,使特征之间的信息互补,也取得了较好的分类效果。2)提出了一种基于机器学习方法的集成学习方法,该方法对多特征空间构造多种基分类器,并使用逻辑斯蒂回归或决策树的方式对基分类器结果进行集成。生物信息学中所采用的集成方法,大都是针对单一特征空间构造多种不同的基分类器,或对多种特征空间构造同种分类器,利用简单投票的方式进行集成。为了充分利用不同算法从不同的数据空间角度对数据的不同观测,使模型之间能够充分的取长补短,我们对多特征空间构造了多种不同的基分类器,并利用逻辑斯蒂回归等机器学习方法对结果进行集成。3)提出了一种新的基于逻辑运算的集成学习方法。该方法思想简单,仅采用了与、与非、或、或非四种运算,且摆脱了传统集成学习方法对基分类器的差异性的要求,即便是对于相似的基分类器,也能取得较好的集成效果,并在噬菌体病毒蛋白数据集上得到了验证。