随着功能基因组学的飞速发展,对非编码RNA（non-coding RNA,nc RNA）转录产物功能的研究越来越引起人们的关注,尤其是对其中占比较高的长链非编码RNA（long non-coding RNA,lnc RNA）的研究。有研究表明,lnc RNA的功能几乎涉及到生物体生理及病理的全部过程,且lnc RNA发挥生物学功能时与其所处的亚细胞位置紧密相关。利用实验方法识别lnc RNA的亚细胞位置不但耗时耗力且面临数据量急剧增长的趋势,因此采用生物信息学的方法,进行快速有效的lnc RNA的亚细胞定位预测显得尤为迫切和必要。目前越来越多的实验研究显示,lnc RNA还可以定位在细胞中的多个位置,处在不同的亚细胞位置会执行相应的生物学功能,因而准确识别出lnc RNA的多个亚细胞定位可以更深入地了解它的生物学功能。本文针对lnc RNA的单定位和多定位问题进行了分析和预测,主要研究内容和结论如下:论文首先构建了一个包含lnc RNA单定位和双定位序列的数据集。提取了表示lnc RNA局部序列信息的k-mer信息和表示lnc RNA全局序列信息的序列顺序相关因子（SOCF）信息,采用方差分析方法筛选特征,利用SVM算法,基于五折交叉检验进行预测。经过特征融合后得到预测结果为:覆盖率87.22%,准确率84.02%,绝对正确率77.41%,模型取得了较好的预测效果。其次构建了一个与外泌体相关的lnc RNA数据集,包含定位在细胞核和细胞质的两个亚细胞位置。提取了lnc RNA序列的k-mer信息、嘌呤/嘧啶约化的kmer信息、强键/弱键约化的k-mer信息、三种三维阅读框信息以及lnc RNA的二级结构信息。在利用SMOTE方法对以上特征信息进行平衡优化的基础上,再利用最小离散增量算法将高维特征降维为2维特征,基于SVM算法分别根据单特征和多特征融合对lnc RNA的亚细胞位置进行了分类预测,在选取了8-mer信息和两种约化的16-mer信息融合后,基于Jackknife检验得到预测准确率为98.07%。论文还采用了位置能量关联函数算法,并将其与SVM算法相结合形成融合算法,将这两种算法应用到lnc RNA的亚细胞定位预测,基于Jackknife检验其预测准确率分别为97.68%和98.34%,均得到了较好的预测效果。论文所得到的结论和采用的方法为更好的识别lnc RNA的亚细胞位置并深入了解lnc RNA的功能提供了一定的理论依据。