精确的RNA二级结构信息是基因功能研究和RNA三级结构预测的基石。RNA是生物体内重要的基本物质。它在调节基因和表达基因中起重要作用。RNA在生物中的功能主要取决于其三级结构。然而,RNA分子的三级结构很复杂,缺乏有效的描述方法。从RNA分子的一级结构直接预测三级结构非常困难。因此,使用RNA的一级结构去预测RNA的二级结构成为研究RNA结构的主要过程。同时含假结的RNA二级结构的研究一直是RNA研究领域的难点,虽然可以通过物理和化学实验得到其结构,但由于这些方法缺点较明显,所以仍需要使用相关的计算机知识来预测RNA的二级结构。大多数传统的RNA二级结构预测算法,是基于硬约束与软约束条件结合的动态规划算法和最小自由能算法。其精确度取决于软约束条件（化学和酶检测等实验数据）的精确性,且对于长序列预测时,其时间复杂度和难度呈几何倍增长。同时,由于假结结构的复杂性,基于传统算法的二级结构预测方法存在很大的缺陷,并不能很好的预测出带假结的二级结构。因此,过去很少有针对假结预测的算法。深度学习方法是最近几年提出的一种表示学习方法,其可以通过对大量数据的训练,挖掘出数据中有效的隐藏特征。本篇文章提出的ATTfold算法,是一种通过基于注意力机制的深度学习模型结合RNA硬约束条件对RNA二级结构进行预测的算法。此算法通过注意力机制的特性,可以对RNA序列的全局信息进行分析,并可以着重注意配对碱基之间的相关性,且解决了长序列预测的问题。同时可以通过此算法对多类RNA家族中大量的RNA序列与结构信息数据进行分析,提取出有效的多维隐藏特征,再结合本篇文章对RNA二级结构特有的硬约束条件的特殊表示方法,从而精准的判断出各个碱基的配对位置,得到真实有效的RNA二级结构。由于本篇文章对RNA序列数据以及结构数据的特殊处理,ATTfold也可以通过此处理方法预测出真实的含假结RNA二级结构。最终通过不同家族的上万个RNA序列以及它们的真实二级结构对ATTfold算法模型进行训练后,并与4个经典的RNA二级结构预测算法进行比较,在敏感性和特异性以及F1-Score等各项指标上都有显著的提升。其中在短RNA序列家族中,我们的方法相较于其他4种算法的最高F1-Score值,平均提升了22.8%;而针对长RNA序列家族来说,平均提升了23.9%。同时我们的评价指标计算更能真实的表现出RNA的二级结构,而不仅仅是精确度的提升。同时随着RNA序列数据库的不断更新扩大,基于深度学习的算法将越来越准确。在未来此类算法将是一种必不可少的算法。