MiRNAs 是一类22个碱基长的非编码蛋白序列，它能在转录后水平上发挥重要的调节表达作用。茎环结构是miRNA前体(pre-miRNA)的重要特征，然而在许多基因组中存在大量类似茎环结构的序列，如何正确的区分它们值得我们进行研究。目前利用生物信息学预测pre-miRNA的方法主要有两类：一类是基于同源性的方法，另一类是基于机器学习的方法，前者主要是根据pre-miRNA的保守性以现有pre-miRNA推测未知pre-miRNA，但对进化关系较远的物种效果较差，后者则是基于茎环结构的特征来预测pre-miRNA，准确率较高。 本论文主要是在Triplet-SVM-classifier法的基础上增加17个特征，利用机器学习方法—LibSVM软件包对pre-miRNA进行预测和探索。主要由两部分组成： 第一部分是利用LibSVM进行pre-miRNA预测和探索，第二部分是构建利用LibSVM预测pre-miRNA的web平台。 我们提取了pre-miRNA的特征49个，包括局部连续的结构序列特征，GC含量，单个碱基的自由能，茎环结构序列的长度，左右臂长度差，环的长度，泡的长度，泡的个数，碱基匹配数，匹配率，碱基匹配总个数占序列长度的比例，尾巴长度占序列长度的比例，AU、GC、GU占碱基匹配数的比例及Z曲线的3维斜率K，分别选取32个局部特征、17个全局特征和所有49个特征利用Libsvm训练出3个model文件，并用产生的model文件对8个测试集进行预测，结果表明选取49个特征预测的准确率比32个局部特征更高；另外，我们还对各特征的重要性进行了初步分析，发现我们新增加的 17 个全局特征确实能辨别pre-miRNA和类似pre-miRNA的茎环结构序列，至于本质特征还有待挖掘。 本论文的第二部分是构建了利用LibSVM预测pre-miRNA的web平台，综合利用了Perl，Perl CGI，Apache及Html语言，实现了利用LibSVM自动预测pre-miRNA，操作简单快速，界面友好，避免了使用LibSVM时采取命令行的形式，并且提供了对各特征量化值的下载，以便用于其他软件的分析。用户也可以选取不同的特征组合，从而比较不同model文件的预测结果。