核酸适配体（简称适配体）是与靶标具有高亲和力的、长度大约在30 nt-80 nt的核苷酸链。与普通的DNA/RNA相比,适配体具有易合成,高亲和力和特异性等优点。蛋白质是生物体细胞的重要组成成分,更是生命活动的主要承担者。适配体与靶标蛋白质的相互作用在人体中广泛存在,并在各类生命活动中发挥着重要作用。快速且准确地预测蛋白质-适配体相互作用,有助于预测蛋白质功能和从分子水平探讨人类复杂疾病的发病机制,为疾病的诊断、治疗和相关药物开发提供重要的理论支持。目前,以蛋白质为靶标的适配体预测研究是与蛋白质相关的基础和应用研究领域中的一个热点。通过传统的实验方法确定蛋白质-适配体具有相互作用,实验周期长,费用高且无法大规模开展。随着高通量测序技术飞速发展,被测定的蛋白质序列数据呈几何级数增长,实验方法的弊端就尤为突出,亟需开发基于生物信息学的计算方法,高效、准确地预测蛋白质-适配体相互作用和判定适配体。本文用生物信息学的方法对上述两个问题进行研究并提出了解决方案。在数据集处理,特征空间构建以及算法的选择与改进上进行了优化,实现了性能更好的蛋白质-适配体预测模型与适配体判定模型。并设计实现了PPAI在线服务平台提供信息查询和以上这两种功能。第一,在深入分析现有的蛋白质-适配体相互作用预测方法的基础上,本文采用生物信息学方法,对预测蛋白质-适配体相互作用中存在的一系列问题进行了优化和设计。在预测前,采用SMOTE算法对不平衡的数据集进行了数据平衡预处理。通过深入分析蛋白质与适配体的序列和结构特点,选取了与理化性质相关的一系列关键特征,提出一个基于多重特征和机器学习的蛋白质-适配体相互作用预测模型。在该模型中,首次提出Adaboost方法和随机森林方法相结合的预测算法。将本文模型与其它蛋白质-适配体相互作用预测模型进行比较,实验结果表明,本文所提模型在预测准确率和算法复杂度方面均优于现有模型。第二,首先对常用于适配体判定的机器学习方法进行了深入研究,发现存在准确率较低、判定阈值难以调整等缺陷。本文在充分分析核酸序列二级结构特征的基础上,首次将用于蛋白质-适配体相互作用预测的Adaboost方法和随机森林方法相结合的算法应用于适配体判定。最终实验结果表明,本文所提方法比其他常用机器学习方法具有更高的预测准确率、更加易于调整判定阈值。为了方便研究人员对以蛋白质为靶标的适配体进行深入地研究,本文设计并实现了蛋白质-适配体相互作用预测的在线服务平台——PPAI（http://39.96.85.9/PPAI）,为用户提供高效、准确地预测蛋白质-适配体相互作用和判定适配体的功能。此外,该平台还提供了蛋白质-适配体信息查询功能,方便研究者了解蛋白质、适配体的相关信息。