蛋白质是根据肽链空间折叠而得到的一种有机化合物,作为人类细胞和组织的重要组成部分,为维持人体正常的生命活动提供所需的营养物质。它只有定位在正确的亚细胞上才能发挥作用,因此,准确定位蛋白质所处的亚细胞位置是发挥蛋白质功能的重要前提。随着研究的深入,数据库中的多标记蛋白质序列不断被发掘,传统的预测方法容易受外界环境干扰且效率低,已无法满足多标记研究的需求。目前,很多研究者将机器学习方法引用到多标记蛋白质亚细胞预测中,该方法能够更好的构建模型准确预测蛋白质亚细胞位置。本文使用机器学习方法对多标记蛋白质亚细胞位置进行预测,研究内容如下:1.基于距离度量矩阵学习对多标记蛋白质亚细胞定位的预测方法,称为ML-loc COMMU。首先,利用伪氨基酸组成（Pse AAC）、组成分布编码（CTD）、基因本体（GO）、冗余探测转换（RPT）和进化距离转换（EDT）特征提取方法将有关蛋白质序列转化为可供计算机计算的数值并进行特征融合。其次,融合后的特征空间冗余信息占比增加,严重影响预测的准确性,我们采用最大化特征方差和特征标签依赖（MDDMf）剔除干扰信息获得最优特征子集。最后,将最优特征子集输入到基于多标记K近邻的距离度量矩阵学习（MLKNN-Commu）的分类算法中预测模型的有效性。通过留一法（LOOCV）测试,以革兰氏阴性菌数据集为训练集,新建植物数据集、新建病毒数据集和新建人类数据集为测试集,得到ML-loc COMMU在训练集上的总体实际准确率（OAA）和总体预测准确率（OLA）为97.41%和97.80%。在测试集上的OAA分别为93.94%、82.69%和80.00%,OLA分别为93.00%、86.01%和79.19%。研究表明,ML-loc COMMU模型对预测多标记蛋白质亚细胞位置能够发挥良好的效能,有效提高预测的准确性。2.提出一种基于ML-locMLFE的多标签学习方法。首先,使用伪氨基酸组成（Pse AAC）、分组权重编码（EBGW）、基因本体（GO）、分段局部描述符（MCD）、冗余探测转换（RPT）和进化距离转换（EDT）特征提取方法获取蛋白质的序列信息、物理化学性质、注释信息和进化信息并将6种单一特征进行融合。其次,利用多标记信息潜在语义索引（MLSI）降维方法减小特征空间维度,避免冗余信息的干扰。最后,采用基于多标签学习的特征诱导标签信息丰富化（MLFE）分类算法中评估模型的性能。通过留一法（LOOCV）检验,以革兰氏阳性菌数据集为训练集,革兰氏阴性菌、病毒、新冠病毒、新构建的植物数据集为测试集,得到5个数据集的总体实际准确率（OAA）分别为99.23%、93.82%、93.24%、72.73%、96.72%,总体预测准确率（OLA）分别为99.81%、96.50%、99.21%、69.23%和96.25%。研究表明,ML-loc MLFE方法在预测多标记蛋白质亚细胞位置中具有明显优势,为进一步研究多标记蛋白质亚细胞位置开拓新的思路。