作为RNA甲基化最丰富修饰物之一,N6-甲基腺苷（N6-methyladenosine,m6A）的甲基化作用实际上涉及到许多生物过程,包括大脑发育畸形、人体肥胖、蛋白质翻译、RNA剪接、RNA降解和RNA稳定性。目前研究表明,采用高通量测序或者湿实验的方式可以检测m6A峰值的情况。然而该方式不能够准确定位m6A甲基化位点。而随着人工智能时代的来临,人们开始探寻使用机器学习的方式识别m6A甲基化位点。本文提出和构建两种对于不同方向的基于RNA序列的m6A甲基化位点识别的预测器。分别是基于集成学习的m6A甲基化位点识别研究和基于多物种数据集的m6A甲基化位点识别研究。在基于集成学习的m6A甲基化位点识别研究中,本文使用名为M6APred-EL的预测器。本文采用和修改了三种方向差异性较大的特征表征方式,分别为理化信息、化学结构信息和位置特异性信息。三种特征提取方式分别为全局位置特异性的多核苷酸频率估计、化学结构属性和局部位置特异性的特征提取,基于理化属性的二核苷酸信息表提取。值得一提的是基于全局位置特异性的多核苷酸频率估计在本研究中针对多核苷酸值选取做了对比实验,且在文章中证实了当多核苷酸值为1时效果较为理想,因此采用全局位置特异性的多核苷酸频率估计作为三个基分类器的特征提取方式之一。最终得到的M6APred-EL预测器,所采用的方式为三种基分类器（分别对应三种特征提取方式）的多数投票法后的集成模型。结果显示,相较于最新的研究成果,在准确率和马修斯相关系数评估指标上,M6APred-EL提出的方法超过了1.18%和0.03的指标值。在基于多物种数据集的RNA序列的m6A甲基化位点识别研究中,本文提出和构建了一个基于RNA序列的预测器,名为M6AMRFS。采用二核苷酸二进制编码和二核苷酸累计位置频率统计的方式进行特征提取,之后采用F分数（Fscore）的方式进行特征选择,再将数据输入极限梯度提升（Extreme Gradient Boosting,XGBoost）算法中训练得到最终的分类器模型。通过多种对比实验,包括分类器对比实验、特征选择与非特征选择对比实验、最新特征提取算法对比实验和最新预测器对比实验,可发现M6AMRFS预测器能够在多数据集上获得良好的评估结果,优于或等价于至今为止最新的研究成果。