蛋白质通过与其他蛋白质的物理相互作用在生活的各个方面发挥着关键作用。蛋白质-蛋白质相互作用(Protein-Protein Interactions,PPIs)是许多生物学过程的分子基础,如信号转导、运输、代谢、基因表达、细胞生长和增殖等。蛋白质相互作用位点的识别是理解蛋白质功能、阐明信号转导网络和药物设计的关键。实验方法如核磁共振波谱已被用来预测PPI位点,但这些技术既昂贵又耗时。随着蛋白质序列和结构数据的快速扩展,研究者们提出了分子动力学方法和机器学习方法等多种计算方法来预测PPI位点。但是目前用于PPI位点预测的计算方法很少,并且这些方法所取得的结果并不是很理想,探索更好的蛋白质相互作用位点预测的方法,能对更好地理解蛋白相互作用和药物设计起到更好的推动作用。本文的主要工作如下:1.蛋白质相互作用位点预测是一个二分类问题,本文使用了国际蛋白质-蛋白质对接基准数据集,分析了现有的对数据集定义方法的局限性,提出了基于协同演化和统计学的数据集改进方法,用相互作用残基的相对丰度(Relative Abundance of Interacting Residues,RAIR)对原始数据集进行了改进。2.对改进后的样本数据集进行特征提取,将获取的特征向量映射到高维空间,输入到卷积神经网络中进行训练和学习。使用留一复合物交叉验证方法和五折交叉验证方法,通过接受者操作特性曲线下与坐标轴围成的面积(Area Under Receiver Operating Characteristic Curv,AUC)和第一个正确预测的秩(the first Rank of the First Positive Prediction,RFPP)两个指标评估模型的性能,并与其他PPI位点预测器进行比较,本文的模型获得的结果中,AUC达到了0.912,RFPP(100)=580,是目前PPI位点预测中效果最好的,本文还将模型应用于血凝蛋白与血凝蛋白结合蛋白复合物中,其预测结果的AUC达到了0.87,证明本文提出的模型有较好的鲁棒性。本文以预测蛋白质相互作用位点为目标,提出了一种新的基于统计的方法来判断氨基酸的结合倾向,并将其应用于样本的划分。本文使用卷积神经网络对改进的样本数据集进行训练学习,与其他5种预测器相比,取得了较好的预测结果,为推动计算方法预测蛋白质互作位点和药物设计提供了参考。