生物信息学中的一个重要研究内容就是对基因转录调控的研究。转录因子结合位点的正确识别既是揭示转录因子功能的关键之一，又是理解基因转录调控机理的重要环节。转录因子是一种特异性DNA结合蛋白，它能够识别一段特定的DNA序列（转录因子结合位点）并与之结合，进而调节DNA的代谢和转录。随着对基因研究的不断深入，为了更好地了解基因表达调控机制特别是转录调控机制，人们已经开发了许多识别和预测转录因子结合位点的算法和软件，但还有很多方面需要进一步完善和加强。 作为模式识别的有力工具，神经网络具有良好的非线性逼近性和鲁棒性，已经被广泛并成功地应用于序列分析中。BP神经网络的学习规则多采用梯度下降法，梯度下降法虽然速度快，但是却容易陷入局部极小，导致其全局寻优性能不高。遗传算法具有可靠的全局搜索能力，它不依赖梯度信息，而是通过模拟自然进化过程来搜索最优解。所以，本文结合遗传算法与梯度下降法的优点，设计了一种训练神经网络权值的混合优化算法，可以利用它来解决网络学习初始权值的选取问题。并将基于遗传算法优化的BP网络模型用于转录因子结合位点识别问题上。实验所需的数据，本文利用Metlnspector打分方法结合一致性序列模型的方式来产生。根据一致性序列模型生成若干序列片段，然后利用Metlnspector打分函数打分，按分值比例选取试验样本。通过这种数据处理方式可以获得更多更接近真实数据的实验样本，弥补转录因子结合位点数据量少的不足。 本文使用MATLAB语言来实现算法功能，对应于5组实验数据，分别构建了5个遗传算法优化的BP网络。文章最后对遗传算法优化的BP网络和同规模的纯BP网络以及遗传算法预测的实验结果做了比较。结果表明，遗传算法优化的BP网络的性能优于纯BP网络和遗传算法。