基于串联质谱技术的蛋白质序列鉴定是蛋白质组学研究的基本方法。基于串联质谱技术的蛋白质序列鉴定的目标是根据实验质谱数据推断出未知肽段的氨基酸序列,其中肽的理论质谱预测是极其重要的部分。准确的理论质谱预测不仅可以促进蛋白质序列鉴定的发展,减少质谱数据的浪费,而且可以通过模型使我们更好地理解肽碎裂的规律,研究不同的理化特征对肽碎裂模式的影响,从而使我们更准确地模拟肽裂解的过程,提高肽序列鉴定的可信度。因此,设计一种更精确的理论质谱预测方法是非常必要的。本文提取肽的多种理化特征(质量、碱性、螺旋性、疏水性等)和序列特征(肽和碎片离子中氨基酸组成、肽C/N端氨基酸身份等),尝试利用深度信念网络和梯度提升决策树训练碎裂模型,以获得更准确的理论质谱预测效果。为此做了以下三部分工作:1)为选出使模型性能达到最好的特征集,分别使用深度信念网络和梯度提升决策树基于不同的特征集进行建模和性能测试。在一组表现最好的特征集上,深度信念网络和梯度提示决策树的预测性能分别获得0.826和0.877的皮尔森相关系数分值。2)使用梯度提升决策树对性能最好的特征集进行特征分析,获得不同特征对模型性能影响的重要性程度。结果表明:肽碎裂后右侧部分的质量与肽质量的比值、肽碎裂后右侧部分的碱性值、肽碎裂后右侧部分与肽的质荷比差值、肽碎裂后右侧部分的疏水性值是最重要的4个特征,且都与肽序列的C端有关。3)在两组公开数据集上的测试结果表明,本文两种方法的预测性能均优于现有的两种代表性方法MassAnalyzer和OpenMSSimulator。在本文构造的特征集上,相对于深度信念网络,梯度提升决策树表现更好。