随着大数据时代与后基因时代的到来,海量功能未知、结构复杂的蛋白质序列信息涌入生物数据库。探索这些蛋白质序列的相关信息己成为信息学与生物学的热门研究方向。蛋白质在生物体中发挥的功能与其所处的亚细胞位置具有非常密切的关联性,所以,对蛋白质亚细胞的定位预测进行研究已成为生物信息学的重点内容。在这样的背景下,随着“互联网+”的推进,传统的生物实验方法早己无法满足现代研究的需求,以机器学习算法为代表的信息提取与处理方法及智能定位预测发挥了不可替代的作用。本论文利用机器学习算法研究蛋白质亚细胞的定位,结合所学专业中信息处理部分的相关知识,论文主要针对信息特征的提取算法和分类预测模型两个方面的内容进行了研究:(1)在现有方法的基础上,本文提出了一种改进型的伪氨基酸组成方法:新增加了9种特征来表达蛋白质序列,重新构造了特征表达模型。在对序列信息进行特征提取时,基于多特征融合的思想,结合自相关系数、熵密度法和所提新方法构成一种新的蛋白质特征向量表达模型,更进一步丰富了序列信息的表达。选择机器学习中泛化能力较强的支持向量机作为分类器,最终采用留一法在Gram-positive和Gram-negative两个数据集上进行交叉检验,并与传统方法所取得的结果进行对比,证实了所提新方法的实用性。(2)引入PsePSSM矩阵提取特征信息以表征氨基酸在进化过程中发生突变的可能;根据氨基酸的物化性质将氨基酸划分为6个大类,为进一步挖掘氨基酸残基的局部位置信息对蛋白质序列总体的影响,引入了先对序列进行切分再输入分类器进行预测的思想。新方法采用改进型PseAAC、三肽组成和基于PsePSSM矩阵提取的信息三者融合,共同进行蛋白质序列特征提取。为了解决单一分类器在分类预测中不可避免的局限性,本文进一步优化了分类算法模型,通过并联多个支持向量机构建集成分类器,并选择了两个包含多位点蛋白的数据集进行验证。结果表明:与单一分类器相比较,通过构建集成分类器可更进一步提升预测性能。