随着人类基因组计划和分子测序计划的成功实施,对生命活动至关重要的蛋白质正逐渐揭开它们神秘的面纱。DNA结合蛋白是生物体中不可或缺的蛋白质,在遗传信息转录、DNA复制、重组和修复中都有着举足轻重的作用,且与许多疾病的治疗息息相关。与此同时,如PDB,Swiss-Prot和SCOP等世界著名的生物信息数据库,其每年的蛋白质序列呈指数型增长,人们对高效处理海量生物信息有着更为迫切的需求。而传统的实验室研究方法,虽可以精确的探索出DNA结合蛋白的结构以及DNA与蛋白质的相互作用的具体模式,但对实验设备和环境的要求极高,耗费的时间和金额巨大。在大数据与人工智能技术飞速发展的时代,设计出高通量的识别DNA结合蛋白方法成为生物信息学的研究热点。本课题以蛋白质的序列信息为基础,结合机器学习与深度学习相关算法,探索出高效的DNA结合蛋白识别模型。主要研究工作如下:（1）本文提出了一种基于多角度特征融合和特征选择的DNA结合蛋白识别方法i DBP-DEP。首先,对蛋白质进化信息谱、二肽组成、理化特性等多角度特征源进行融合并特征选择,从而对蛋白质与DNA能否相互作用进行有效判断;其次,针对蛋白质编码方式相对匮乏的问题,提出了一种新的蛋白质编码特征PSSM-DBT,该特征创造性的将氨基酸二元组的耦合模式与位置特异性得分矩阵相结合,增强了i DBP-DEP模型的表征能力;最后,对该特征编码做了进一步分析,以挖掘其有效表征背后的蕴含的生物学原理。在三个数据集上进行了Jackknife测试和独立测试实验,验证了i DBP-DEP良好的预测性能。（2）本文设计实现了一种融合隐马尔可夫模型矩阵、氨基酸理化特性和蛋白质二级结构的DNA结合蛋白识别方法。首先,摒弃了传统的基于PSI-BLAST生成的进化信息谱,使用新型的隐马尔可夫模型矩阵提取氨基酸相关特征,以高效地表示蛋白质进化信息;其次,使用C-T-D对氨基酸理化特性和SSpro基于序列信息预测的二级结构进行编码,以表征蛋白质全局序列组成信息;最后,使用特征选择算法得到最优特征子集,并将子集输入到SVM和Light GBM分类器,以判断蛋白质能否与DNA发生相互作用。实验结果验证了本文所提方法优越的识别性能,并展示了隐马尔可夫模型作为新型进化信息谱的良好表征能力。（3）基于深度学习模型,本文提出了一种融合多层卷积和双向GRU网络的DNA结合蛋白识别方法。首先,从Swiss Prot数据库中提取并处理出足够多的正负样本作为数据集,以得到充足的训练数据;其次,使用两亲性伪氨基酸组成作为网络输入,以充分表示蛋白质的氨基酸组成和物化属性特征;随后,使用Soft Pool池化方法替代传统池化,以保留蛋白质局部特征信息;最后,在端到端的离线训练中,使得所提模型的卷积模块和双向GRU模块能够学习到对蛋白质深度特征的建模能力和对DNA结合蛋白的识别能力。实验结果表明该方法在识别准确率和稳定性上都有着较好的竞争力。