蛋白质的结构是其发挥生物学功能的基础,认识蛋白质的结构与功能的关系对于生物学、医学和药学都具有非常重要的意义。然而目前已知蛋白质结构数量远小于已知序列数量,并且由于结构测定的复杂性这个差距将会进一步加剧,所以从理论上通过蛋白质序列预测其结构得到了广泛的关注。作为序列与三级结构间的桥梁,得出一个有效的蛋白质二级结构预测方法是研究蛋白质结构及其功能的有效手段和基础。通过对现有研究的深度梳理,本文综合序列信息表示和预测模型的研究,给出蛋白质二级结构预测的深度学习新方案。在此基础上,尝试通过利用分类间联系进一步提升了预测效果。主要研究内容及成果可概括为:首先提出一个新颖的深度学习模型MSTCNPP,该模型使用时间卷积网络同时捕捉序列中的短程依赖和长程信息,并借助注意力机制更精准地捕捉蛋白质序列中残基间的相互影响。在以PSSM和正交编码为特征输入时,能够正确预测CB513数据集中70.47%的残基所处二级结构状态。并且全卷积架构极大地提高了网络的并行性;得出以上模型后,进一步探究了特征表示问题。充分考虑二级结构形成过程中可能存在的影响因素后,独创地构造了2组新特征,研究了更综合有效的特征表示方法。在加入理化性质和对数相对概率特征后,MSTCNPP的预测正确率达到70.60%;此外,尝试将三分类与八分类之间的联系作为重要规则和约束以进一步提升二级结构预测效果。通过实验分析,利用了3-8联系的多输出同时预测方法MOSP能够给出更合理的预测结果,对四个数据集上的Q3和Q8分别产生了0.73%和0.48%的平均增益。将以上三个部分的研究成果综合在一起,在单个模型中实现了70.74%的Q8准确率,以及83.68%的Q3准确率,达到先进水平。并且各部分的方法可以轻松地移植到其他模型方法之中,具有较强的可行性和实用性。