蛋白质亚细胞定位是计算生物领域一个重要的研究方向,目的是确定正常情况下蛋白质在细胞中的位置。人类蛋白质亚细胞定位预测时其中一个重要的研究分支。结合其在特定位置才能正确发挥作用的特性,该研究可以帮助我们理解蛋白质的功能,在药物设计等多个领域都有重要的应用。随着蛋白质数量的指数增长,传统的湿实验验证的方式已经不能满足需求,出现了各种各样的高精度、低消耗的基于计算的预测方法,大大提升了蛋白质定位判断的效率。基于计算的方法的核心是分类模型,合理的模型的构建又是通过对大量数据的训练得到。本文中介绍了两种预测蛋白质亚细胞位置的方法,分别利用了蛋白质不同方面的信息。第二章提出了基于多核SVM的预测方法,利用了蛋白质序列的理化属性和进化信息,分别提取了三种不同的特征矩阵,对序列整体和局部特征进行了整合。并对不同的特征选择了效果最好的核函数,之后通过核融合的方式组合成新的核矩阵用来构建SVM分类模型。这个方法主要用了核融合的思想,将多个不同的特征组合到了一起,结果比较发现核融合的方法可以提高预测的准确性,提取的特征要尽可能的涉及多个方面。第三章首先对近些年针对多标签人类蛋白质亚细胞定位的预测方法进行了总结,介绍了九个典型的、使用序列信息或者基因本体论（Gene Ontology,GO）信息的,并且提供了可供外部访问网站的预测方法;之后在这些方法的基础上做了改进,提出了新的基于GO的集成预测方法。统计了已有的针对多标签人类蛋白质亚细胞定位的数据集,选择使用次数最多的还有3106个样本的数据集作为标准数据集,并且从2018年8月版本的SWISS-PROT数据库中构建了新的数据集,在这两个数据集上对第三章中提到的预测方法进行了验证。新提出的方法中,使用了GO以及它们之间的层次关系,实验时考虑了不同种类GO以及同源蛋白可能对结果造成的影响,比较了不同情况下的预测结果;另外,也尝试了使用GO语义相似度构建特征矩阵的做法,比较了四种构建语义相似度矩阵方法的结果。虽然该方向的研究现如今取得了一定的进展,但是仍有可改进的地方。在特征提取方面,GO信息的利用仍需要做进一步的探究,语义相似度矩阵是可以尝试的方向。其次,在分类算法上,要构建直接作用于多标签分类的算法,虽然使用二分类器也可以得到满意的预测效果,但忽视了不同标签之间的联系,可能造成预测信息的缺失,预测精度的提升需要综合各方面的影响。