蛋白质是构成人体细胞、组织的重要部分,是生命活动的主要承担者。膜蛋白是与细胞质膜或细胞器膜相结合的蛋白质,其在细胞增殖、分化、信号转导等活动中起着非常重要的作用,因此,针对膜蛋白类型进行精确分类成为一项重要课题。随着高通量生物实验方法积累了大量膜蛋白序列数据,研究人员利用膜蛋白序列信息训练分类模型,通过序列特征可以快速判断未知蛋白质类别。单一特征并不能全面表示蛋白质生物信息,而特征缺失将直接影响模型的分类准确性。为了更好地利用蛋白质不同特性的特征,采用多特征融合的方式描述序列是一个趋势。多特征融合可以避免单个特征提取方法的片面性,获得更多蛋白质特征信息,提高模型的整体分类性能。本文工作研究多特征融合的膜蛋白分类方法,完成的主要工作和取得的成果如下:（1）提出了基于特征融合、MRMD和支持向量机算法的高尔基体蛋白分类模型DLDW-MRMD-SVM。该方法首先使用二肽组成（DPC）、Local＿DPP、188D、word2vec提取蛋白质序列四种不同的特征集,通过特征组合的方式多角度地获取蛋白质特征信息,然后通过合成少数过采样技术（SMOTE）缓解数据集样本中正负例样本不均衡问题,数据集正负样本不均衡将对导致模型分类效果出现偏差的现象。随后使用MRMD（MaxRelevance-Max-Distance）算法进行特征选择,选择出最佳的特征向量。通过多个分类器的对比选择SVM作为分类算法,并构建出高尔基体蛋白分类模型。通过十折交叉验证和独立测试集验证,构建的高尔基体蛋白分类模型准确率分别达到了96.2%和95.6%,通过与其它预测模型对比,本模型优于其它高尔基体蛋白分类模型。（2）提出了基于深度表示特征与传统特征信息融合、自适应提升算法（Adaptive Boosting,Ada Boost）和SVM的噬菌体蛋白分类模型Unirep ACC＿PSSM-Ada Boost-SVM。首先,采用深度学习预训练模型Unirep对蛋白质进行特征提取,然后用传统的编码方式SAAC、188D、ACC-PSSM进行特征提取,在三种传统的编码方式中,基于氨基酸进化信息的编码方式ACC-PSSM表现最佳,Unirep深度表示特征则优于传统的编码特征。随后,采用Unirep深度表示特征与ACC-PSSM特征融合,采取SMOTE算法缓解正负例样本不均衡问题。Unirep特征向量和ACC-PSSM特征向量维数分别为1900维和800维,过高的特征向量维数会产生过拟合的风险,为了选择出最优特征子集,采取两步特征优化方式对融合特征进行处理:首先对这两种特征集分别使用Ada Boost筛选出特征重要性得分排名前300的特征向量;随后采用特征增量的策略,分别从这300维特征向量中再选出最佳的特征子集,最后将153维Unirep特征和122维ACC-PSSM特征输入到SVM分类器构建噬菌体蛋白分类模型。在十折交叉验证和独立测试集验证下,模型的准确率达到95.1%和89.6%,与其它噬菌体蛋白分类方法相比,本模型的分类性能较优。（3）开发了一种基于特征工程的多分类器集成膜蛋白分类工具。用户只需要加载数据集和训练集文件,根据需要选择合适的特征提取方法,特征选择方法。根据加载数据集正负样本比例情况选择是否需要使用SMOTE,最后将特征值输入选择的分类器中,训练出膜蛋白分类模型。除此之外,模型训练完成后,该工具会自动以CSV格式保存特征值,以PKL格式保存训练完成的分类器模型,方便用户进一步研究。