当人类基因组计划（Human Genome Project, HGP）呈上之际，人类开始进入了后基因组时代。在这一时代里，生物序列数据成指数增长，如何把有价值的生物信息从海量的生物序列数据中挖掘出来，已成为迫切需要解决的问题。本文研究机器学习方法在生物信息学若干问题中的应用，主要内容如下：第二章，我们提出一类新的DNA序列3-D图形表示并且证明它具有两种性质：（1）这是一个非退化图形；（2）每一个DNA序列与其对应图形成一一对应关系。基于这个图形表示，我们将DNA序列转化为12维特征向量，它的分量为相应L/L矩阵的ALE指标。对3个数据集构建了系统发生树，结果证明了我们方法的有效性。第三章，借助特征序列，我们提出了DNA序列的32k维完全字向量表示。然后基于粗糙集理论提出一种特征选择方法来提取包含信息最丰富的k字并用这些选择的特征来表示DNA序列。为了评价我们的方法的性能，对5个数据集进行了系统发生分析实验。其中第1个数据集用作训练集，从32116144个k字中按重要程度，共有869个字被选择出来构成最终的特征向量。另外的4个数据集作为测试集。结果表明，我们所提出的方法能抓住最重要的信息并且对于分子系统发生分析是非常有效的。第四章，借鉴第三章的工作，我们从DNA模板出发，结合k字频率之间的关系和k字频率本身，构造了模板DNA序列的24维特征向量，并以支持向量机为分类器，利用夹克刀检验，对模板DNA序列进行PCR扩增难易预测。我们的准确度达到了92.59%。第五章，借鉴第三章和第四章中的频率位置信息与频率本身相结合的思想，并结合氨基酸的分类模型、理化性质和替换矩阵构造了蛋白质序列的特征向量，以最近邻方法作为分类器，利用ZW225和CL317数据集对我们的方法进行了检验，所得结果同其它亚细胞定位预测方法做了比较。结果证明了我们的方法是非常有效的。