选择性剪接是真核基因的进化关键特征,可增加蛋白质组多样性并调节基因表达,选择性剪接事件的准确识别和分类是研究基因组特征和基因功能的重要步骤。随着测序技术的发展,长reads转录组测序可以对全长RNA分子进行测序,有助于识别选择性剪接事件。然而,由于选择性剪接模式存在多样性特点,在没有良好注释的参考基因组情况下,准确定位选择性剪接存在困难。本文基于长reads转录本,研究植物基因选择性剪接识别与分类,针对现有识别工具及算法缺乏通用性、普适性、便捷性、多类型等问题,提出新的基因选择性剪接位点鉴定与预测方法,具体研究内容如下:（1）基于序列比对的选择性剪接位点鉴定算法（IsoSplitter）。在没有良好注释的参考基因组的情况下,IsoSplitter仅需长reads转录本即可有效地识别选择性剪接位点,并通过短reads对其量化分析,以揭示转录本的多样性。该工具通过识别独特的junction reads以验证剪接位点,揭示和量化组织特异性选择性剪接同种型,并提供多种可视化方法为下游分析提供可视化参考。与PASA和AStrap 比较发现,针对拟南芥和毛果杨转录本数据,IsoSplitter可以识别出PASA中近50%选择性剪接位点,是AStrap的2倍左右。（2）基于多特征的选择性剪接事件类型预测算法（IsoSplitter-type）。IsoSplitter可从转录本中挖掘出选择性剪接位点,针对其无法明确剪接事件类型的问题,提出剪接事件类型分类算法IsoSplitter-type。根据选择性剪接类型的生物学特征提取预测所需的87个特征,基于FDR调整的P-value和Z-score进行64个三核苷酸特征筛选,利用皮尔森相关系数对全部45个候选特征和类标签进行相关性分析并去冗余,采用增量特征选择方法,对最终41个候选特征和支持向量机、随机森林、决策树、自适应增强分类器进行比较分析,最终建立相对最优随机森林预测模型。基于玉米和西红柿数据集,IsoSplitter-type的平均准确率达到90%,比AStrap提高3%。（3）基于深度学习的选择性剪接事件类型预测算法（IsoSplitter-LSTM）。针对IsoSplitter-type预测算法存在的准确率不高的问题,提出基于深度学习LSTM网络的剪接事件分类预测算法IsoSplitter-LSTM。该算法对序列进行批量填充补齐和One-Hot编码的预处理,将多特征分类算法中具有显著分类能力的特征donorMotif和donorGT与One-Hot编码进行融合,基于深度学习框架Keras搭建算法模型。通过玉米和西红柿数据集的对比分析发现,IsoSplitter-LSTM算法具有较好特异性,平均提升1%。通过柑橘（提升4.14%）、籼稻和高粱（提升2.74%）数据集的对比分析发现,IsoSplitter-LSTM算法具有较高的预测准确率。