精准地预测和识别生物标志物对于预警疾病的发生,预测疾病的发展和研究疾病发生发展的内在原因具有重要意义。在现代医疗过程中,从唾液、血液或其他体液中识别生物标志物已成为诊断疾病的有效方法。随着蛋白质组学技术的发展,组成成分相对简单,且可以快捷无创获取到的唾液逐渐成为从标志物的角度进行疾病检测的重要研究目标之一。同时,作为维持人体代谢循环的重要体液,血液中包含的大量生理信号使其受到从事生物标志物研究的科研工作者的青睐,已经出现众多优秀的研究成果。现有的分泌蛋白预测方法主要基于传统的机器学习技术,而且在构造分类器时高度依赖于数据的特征集。因此,特征选择的偏差可能对最终的整体预测结果产生负面影响。相比传统的机器学习方法,深度学习方法可以直接使用原始数据作为模型的输入,能够自适应地学习到更好的特征表示,从而避免特征选择偏差带来的影响。在本文中,我们以唾液分泌蛋白和血液分泌蛋白预测作为研究对象,利用深度学习方法对唾液和血液分泌蛋白进行预测。在唾液分泌蛋白的预测研究中,我们提出了一种基于多通道胶囊网络的深度学习模型。首先,使用基于特定位置迭代的局部比对搜索工具（PSI-BLAST）将输入的蛋白质序列转换为进化图谱矩阵。之后,将训练集中蛋白质的进化图谱矩阵作为输入对模型进行训练。为了解决训练过程中数据集不平衡的问题,我们使用了基于Bagging的集成学习方法。所提出的模型在训练集上进行10倍交叉验证和在独立测试集进行测试,分别得到了0.905和0.888的准确率,均超过了现有的基于传统机器学习的方法。进一步同实验验证的唾液分泌蛋白进行比较,我们所提出的模型能够达到89%的真阳性率。同已有的癌症唾液蛋白生物标志物进行比较,我们所提出的模型能够达到88%的平均真阳性率。在血液分泌蛋白的预测研究中,我们提出了一种新颖的深度学习模型,通过整合二元分类网络和排名网络来预测血液分泌蛋白。在训练过程中二元分类网络和排名网络上分别使用描述性损失和紧致度损失进行优化。对于二元分类,所提出的模型在训练集上进行10倍交叉验证和在独立测试集进行测试,分别得到了0.915和0.917的准确率,均超过了现有的基于传统机器学习的方法和用于生物序列分析的其他深度学习方法。进一步同实验验证的血液分泌蛋白进行比较,我们所提出的模型能够达到89.5%的真阳性率。同已有的大肠癌和肺癌血液蛋白生物标志物进行比较,我们所提出的模型分别能够达到87.8%和85.8%的平均真阳性率。本文的主要贡献如下:（1）提出了一种基于多通道胶囊网络（Caps Net）的基础分类网络,并以此为基础分别搭建针对唾液分泌蛋白和血液分泌蛋白的端到端深度学习模型,优于现有的传统机器学习算法和其他最新的深度学习架构的预测效果;（2）所提出的分泌蛋白预测模型仅使用氨基酸序列,克服了现有方法对于注释的蛋白特征的高度依赖;（3）与实验验证的唾液和血液中癌症生物标志物相比较,我们的模型所预测的分泌蛋白具有显著的统计学意义。