非编码核糖核酸是一类不编码蛋白质的核糖核酸的总称,虽不编码蛋白质但在生物体生命过程中扮演着重要角色。微小核糖核酸是非编码核糖核酸中长度约为20个核苷酸的小分子,既能参与生命转录过程中的调控,也能参与转录过程后的调控,微小核糖核酸特别是病毒类型微小核糖核酸的异常表达还与疾病息息相关。因此,从有相似环状结构的发夹序列中区别出真正的微小核糖核酸具有重要意义。本文提出基于改进特征和有监督自组织映射神经网络的微小核糖核酸预测方法,将多级特征和有监督自组织映射的优势有效结合。对于给定的已知序列信息的待查询数据,使用二级结构预测软件得出结构信息,融合基于一级序列的特征和基于二级结构的特征形成方法的特征集。构建有监督的自组织映射三层神经网络,将抽取好的特征向量作为神经网络的输入层,自组织映射作为神经网络的隐含层,输入序列的类别标签两种输出值作为输出层。自组织映射层与输入层全连接,学习输入数据并将其高维空间分布信息映射到低维拓扑输出中。有监督输出层与自组织映射层全连接,前向传输中利用自组织映射层学习到的新特征计算输出标签和误差值,反向传输中将误差回送至神经网络以更新连接权重。结果表明:1)在人类类型和病毒类型的微小核糖核酸数据集上进行验证实验,证明了在序列特征基础上融合使用结构特征有助于提升预测方法的鉴别力;2)在病毒类型微小核糖核酸序列数据集合上同现有部分方法进行对比实验,交叉验证的各实验性能指标值说明了方法的有效性。本文还尝试延展方法至非编码核糖核酸的预测中,在多来源不同物种类型数据集上进行实验,对比说明方法对不同物种非编码核糖核酸预测工作的应用可能。实验结果表明,抽取多种特征并结合有监督自组织映射神经网络的预测方法能在一定程度上提升预测性能,有其应用前景。