随着测序技术的不断进步和发展,针对不同物种及组织的蛋白质组测序已经为国内外研究者提供了多样化的蛋白质序列数据库。可用蛋白质序列数量的不断增加,也让对于蛋白质生物学以及蛋白质相关下游任务的研究向数据驱动转变,机器学习和深度学习方法在蛋白质组学相关任务中被广泛应用。如何从蛋白质序列中挖掘得到蕴含结构和功能语义信息的蛋白质向量表征,已经是国内外研究者关注的热点。另外,海量的蛋白质序列数据背景下也出现了另一种矛盾,对于某一特定生物问题,可获取的有任务标签的蛋白质序列数据往往规模较小,使得深度学习模型无法发挥其性能。针对上述两个问题,本文提出了两种基于序列的蛋白质表征学习方法,并分别将其应用在蛋白质溶解性预测问题以及蛋白质亚细胞定位问题上。首先,针对蛋白质序列数据相关的特定监督学习任务场景下,提出了一种端到端的多维度蛋白质序列嵌入方法。该方法基于蛋白质的氨基酸序列,计算衍生出蛋白质结构信息序列,并行的输入卷积池化模块,从多个维度的序列学习蛋白质不同层面的特征表示。不同的特征表示之间可以互相补充,共同对蛋白质进行刻画。在蛋白质溶解性预测问题中应用该方法,所提出的EPSOL模型优于目前现有的所有基于序列的溶解度预测方法,预测准确率为0.79,马修斯相关系数为0.58,相较于最接近的方法分别提升了2.6%和5.5%。EPSOL更高的性能可用于大规模的筛选可制造性强的序列变体,并以更高的可靠性预测新的重组蛋白在大肠杆菌表达系统中的溶解性。其次,针对于有生物学先验、可进行知识迁移的两个或多个任务的场景,提出了一种基于多任务学习模型的迁移学习方法。该方法通过多任务学习模型,打破单个任务下有标签数据规模的限制,扩充数据量,并能充分利用进化关系或物种间的相似性生物先验,选择可进行知识迁移的数据和任务,提升多任务学习模型中每个子问题的预测效果。利用革兰氏阳性细菌和古菌的蛋白质亚细胞定位标签以及蛋白质序列数据进行了实验验证。通过实验评估,说明以多任务学习进行知识迁移的方式能够更好的利用进化关系、功能关系或其他有生物意义的先验知识解决生物学相关问题。