核小体作为真核生物中染色质的基本结构单位,不仅压缩了染色质形态结构,在基因组表达、DNA复制和修复等生命阶段也起着关键作用。因此,研究核小体在全基因组DNA序列上的精准定位具有深远的生物学意义。随着生物技术和计算机技术的不断进步,生物数据正呈现出爆炸式地增长。仅依靠生化实验方法研究核小体定位,成本高且耗时长,开发出高效、精确的核小体定位算法成为更现实的研究需求。本文分别基于DNA序列的图像表示和词向量表示,利用机器学习和深度学习算法提出了新的核小体定位模型,并在相关研究工作数据集上验证了本文方法的有效性。首先,采用DNA序列的频数混沌游戏表示（FCGR）和图形化作为序列特征,再分别结合支持向量机、极限学习机和卷积神经网络,提出了基于DNA序列图像表示的核小体定位模型。在人类、线虫、果蝇和酵母数据集上,分别计算了10折交叉验证下模型的分类预测精度。结果表明,FCGR特征应用于核小体定位是可行的,并且一条序列采用多个不同维度的FCGR特征组合表示效果更好,其中分类准确率最高分别达到了87.08%,87.54%,81.13%,100%。其次,基于k-mer和word2vec模型训练出DNA序列的词向量,构建了三个不同网络结构的深度学习模型。经过10折交叉验证下的实验结果显示,融合了卷积神经网络、双向GRU和双向长短期记忆神经网络的NP＿CBiR模型的预测效果更好,它综合了不同网络结构在特征提取上的优势,能够有效提取DNA序列的局部特征和碱基顺序特征。对比其他研究方法,NP＿CBiR在人类、线虫、果蝇和酵母4个数据集的预测准确率最高分别达到了86.18%,89.39%,85.55%,100%;并有效提升了人类、果蝇、酵母物种中8种不同类别序列数据集上的AUC值。这一结果证明了DNA序列词向量能够有效的表示序列特征。