来源于活细胞中的某种特殊的蛋白质或者RNA称为酶,具有多种催化功能的酶被称为多功能酶。在细胞这个网络中,多功能酶是常见的重要代谢反应的参与者,参与多个细胞代谢网络,作为生物催化剂的一种,在各类的生物反应中它都发挥了重要的作用。所以要是能将多功能酶的种类进行正确的划分,这将对生物医学方面的研究有很大的帮助。而利用传统的生物方法研究多功能酶问题耗时且成本高,所以利用机器学习的方法进行研究成为了一个热点,本文便是从机器学习的角度出发,对多功能酶的分类预测的问题进行探讨和研究。首先对多功能酶的基本知识、多功能酶问题的研究背景和现状作了详细的阐述;与此同时还对多功能酶的分类预测的主要研究工作内容作了全面的介绍;随后从不同的角度对多功能酶数据的同源性处理和特征表达进行探讨,归结出当前针对多功能酶研究的数据以及特征表达方法存在的一些问题。提出基于线性加权的特征融合的多功能酶分类预测的方法。因为在生物信息学中经常所使用的特征表达它只能够对多功能酶的数据信息进行单一的表示,本文根据不同的特征表达所包含的信息不同,对多功能酶的分类预测的贡献度是不一样的,出于这样的考虑,本文采取了将获得的不同的特征信息进行融合的思路,从而得到一种更具有代表性的特征表达。由于此融合方法充分考虑了基于氨基酸组成的信息和基于物化的信息两种特征表达所包含的信息的互补性,所以最终的实验效果相比于单一特征的表达都有提升。由于在第三章已经得知基于物化信息的特征表达方法对于多功能酶的分类预测研究具有较大的贡献性,所以在此基础上本文采用了基于特殊融合规则的多功能酶的分类预测的方法。此方法采用的是一种特殊的融合规则,将基于氨基酸组成信息的特征表达得到的20维向量代替基于物化信息得到的物化指数和（SPPI）的前20维向量。最终实验证明它很有利于我们的多功能酶的预测。最后本文使用基于算法自适应策略的ML-KNN多标签分类学习算法对多功能酶进行分类预测,但是典型的ML-KNN多标签分类算法没有考虑到现实事件中存在的类标签之间的相关性的问题,所以本文提出了一种基于标签相关性的多标签分类算法,最后经过实验对比得到了使得实验预测性能更好的参数值,并且和典型的多标签分类算法相比,在得到的两个数据集上进行实验对比都得到了较理想的实验结果。