RNA与蛋白质的相互作用在许多重要的生物学过程中起着重要的作用。基于新一代测序技术的创新和发展过程,数以百计的RNA结合蛋白（RBP）及其相应的RNA被逐渐发现。通过对其生物学进程的总结和分析,使得在计算生物学方面,利用机器学习的方法对RNA-蛋白质相互作用进行大规模预测成为可能。到目前为止,在计算生物学领域的学者已经在此问题上探究和开发出了多种计算工具和方法,其中就包括深度学习模型,同时也利用基于深度学习模型在RNA-蛋白结合亲和性和位点的识别方面取得了显著的成绩。RNA结合蛋白（RBPs）与许多重要的生物学过程密切相关。RNA与蛋白质发生结合关系后所产生的复合物在许多生物学过程中起到了至关重要的作用,例如:基因的表达调控、剪切方式、翻译规则及病毒复制等。因此,了解蛋白质RNA结合可能为许多细胞过程的功能和动态提供重要的视角。这激发了人们对蛋白质-RNA结合的实验研究和计算预测的兴趣。长链非编码RNA（Long non-coding RNA,lncRNA）是长度大于200个核苷酸的非编码RNA。虽然关于lncRNA的研究进展迅猛,但是绝大部分lncRNA应具有何种功能仍然是不清楚的。随着生物学研究的推进,相继发现了大量的lncRNA。因而种类繁多的lncRNA的研究逐渐成为了在RNA基因组研究问题当中非常值得关注的一个方向。lncRNA在大量生物进程中发挥着重要的作用。同时它们也会导致一些严重的遗传疾病的发生和发展,比如癌症。然而,很多lncRNA缺乏功能注释来解释此类问题。因此,对于lncRNA功能的了解是生物学和医学研究的必要步骤。由于计算方法对时间和费用较生物实验方法更适合大规模实验,因此通过计算的方法进行预测和分析可以为实验方法提供重要的参考和依据。然而,通过计算的手段来对lncRNA的功能进行预测,并且以此来检测新lncRNA的方法从目前的研究水平看仍然极具挑战性。有些lncRNA是根据与蛋白质的结合来工作的,因此通过计算lncRNA与蛋白的相互作用偏好可能为开发新的计算方法提供新的突破。在本文中,我们首先对于目前性能最好的RNA与蛋白质结合偏好预测的高性能深度神经网络DLPRB当中的卷积神经网络模型进行了算法上的改进和提升。使用该模型对RNAcompete数据集当中的全部244组RNA-蛋白质结合偏好的实验数据集进行了结合偏好的预测。我们对改进的模型进行与蛋白质功能相关的总结和分类,并通过迁移学习的方法将lncRNA序列及其特征作为实验输入数据放入模型当中,通过结合强度数值来预测lncRNA的功能。通过对本文实验模型的构建,我们对现有性能最好的实验模型效果进行了提升。在皮尔逊相关系数大于0.6的区间模型当中,本实验的提升效果占比90.8%。同时,我们基于设计的模型提出了一种预测lncRNA功能的投票算法。这是首次使用RNA与蛋白质结合强度和深度学习技术来预测lncRNA功能的计算方法。最后,我们采用了来自Lnc Book数据集中的25个lncRNA测试了我们的预测方法,实验结果的召回率达到88%,明显优于以前的实验方法,结果证实了我们的方法是有意义的。该方法仅使用基于序列的特征便可用于新检测到的lncRNA功能预测,我们认为这项工作可以为lncRNA的研究提供新的视角。