蛋白质在生物体活动中扮演着重要角色。各种各样的蛋白质凭借其独特的结构和功能在生物体内各司其职,发挥着不可替代的作用。蛋白质识别是探究蛋白质生物学功能的第一步,做好蛋白质识别工作可为后续研究奠定坚实基础。自人类基因组计划实施以来,未知结构与功能的蛋白质序列数量迅猛发展,传统的生物实验来分类识别蛋白质序列已经无法满足当今时代对速度的需求,所以众多研究者们将机器学习算法应用在了蛋白质分类研究中。目前在蛋白质分类识别中,仍然存在一些问题:数据集类别不平衡;未很好地用数字形式将蛋白质序列信息表示出来;特征集中存在无效特征或特征之间存在冗余性;分类算法选用不恰当等。本文通过总结现有模型存在的这些问题,分别对噬菌体蛋白质、电子传递蛋白的分类进行了探究。在噬菌体蛋白质分类识别中,本文通过综合多个角度的信息提取蛋白质的信息,并通过特征组合的形式实现各个类型特征集之间的信息互补。然后,本文通过特征选择算法将特征与类别之间具备强相关性、特征与特征之间存在低冗余性的特征挑选出来,并对特征集中的特征进行排序。在随机森林算法下,通过计算每一维特征添加进特征集后的性能指标,得到每种类型特征集的最优特征子集。最后通过对比实验验证了基于序列基本信息与结构信息的模型比基于单种类型的模型性能要好。除此之外,本文从基于特征提取方法、分类算法等方面一一验证了本文所提出的模型的优越性。在电子传递蛋白分类识别中,本文提出的模型不仅性能较好,且计算速度很快。本文仅仅基于DT算法所提取的前4维特征进行模型构造。在这部分研究中,首先通过类似于EasyEnsemble算法思想对类别不平衡的数据集进行了处理。然后在特征提取时将进化信息、频率分布信息考虑在内。随后,基于四种特征提取算法本文共构造了40个子模型,依次探究出最适于本次研究的分类模型。另外,本文通过观察有效特征的正反例数值分布得出在同一维特征中,正反例数据分布差异越大,模型分类效果就越好。