纳米孔测序技术因其超长读长的优势在全基因组测序及组装等研究领域备受关注,其核心是利用碱基序列识别算法解码测序电信号以识别被测DNA/RNA分子的碱基序列。受到测序噪音、均聚物、碱基修饰等影响,目前碱基序列识别的原始错误率约10%～15%。且大多数碱基序列识别算法采用基于循环神经网络（Recurrent neural network,RNN）的模型进行碱基识别,受循环结构影响,识别速度较慢。为进一步提升碱基序列识别的准确率和速度,本文提出了以基于时序卷积网络（Temporal convolutional network,TCN）的深度模型为核心的模块化碱基序列识别算法。主要工作如下:首先,本文阐述了纳米孔测序碱基序列识别的研究背景、意义与现状,介绍了代表性的碱基序列识别软件,对比分析了各个软件采用的识别算法的特点。然后,针对基于RNN的算法中存在的识别速度慢和受冗余电信号干扰问题,本文提出了一个模块化的碱基序列识别算法,其核心为基于深度神经网络的碱基序列识别模型。本文基于TCN和连接时间解码器（Connectionisttemporal classification,CTC）设计了端到端的碱基序列识别模型CausalCall。CausalCall利用膨胀的因果卷积建模电信号的时序特征,通过卷积运算提升识别速度,通过控制卷积感受野保证模型在决策时仅关注输入电信号的有效时序范围,以减少冗余信息干扰。基于此算法,本文实现了一个简单易用的碱基序列识别软件。最后,本文利用多个物种的纳米孔测序数据对本文算法进行了评估。通过与其他碱基序列识别软件的对比,证明本文算法在碱基序列识别任务中的准确性和高效性。综上,本文的工作成果是:（1）综合分析纳米孔测序数据和现有碱基序列识别算法的特点,提出了以端到端深度神经网络模型为核心的模块化碱基序列识别算法。利用TCN的时序建模能力强、卷积感受野可控和计算速度快的优点,结合CTC机制,设计了碱基序列识别模型CausalCall,该模型能有效提升碱基序列识别的准确率和速度;（2）基于提出的算法,实现了一个简单易用的碱基序列识别软件;（3）本文利用多物种纳米孔测序数据对所提算法进行了评估。结果表明本文算法具有较高的碱基识别准确率和速度,其识别序列能被组装成高质量基因组,在基因组研究中具有较大的实用价值。