蛋白质与RNA的相互作用在很多生命活动中都不可缺少。这种相互作用与生命体中的很多生命活动都息息相关,如基因的翻译与表达和疾病调控等。随着测序技术的高速发展,已经发现的RNA与蛋白质间的相互作用源源不断的增加,这使得利用机器学习方法对RNA蛋白相互作用进行大规模预测成为可能。在过去的十年中,深度学习模型被广泛应用于基于生物序列的预测任务中,包括RBP与RNA相互作用的预测。预测模型的性能一般受限于两个要素,即输入数据的的特征表示和分类模型。基于机器学习的方法一般需要实验者根据领域知识手动设计数据特征,而基于深度学习的方法由于其在特征表示和学习能力方面的独特优势,不仅可以提高预测精度,而且有助于识别序列中对结合亲和力至关重要的基序。在分类模型的选择上,生物信息学的序列信息处理与自然语言处理的文本数据处理有一些相似之处,所以我们可以借鉴自然语言处理领域的先进研究成果。因此,本研究中从数据源和网络模型的角度着手。首先我们对现存的CLIP-seq数据库中RNA序列数据进行收集并整理筛选,利用RNAfold和bp RNA获得对应的二级结构注释信息,将序列和二级结构注释信息作为数据源。网络模型方面,利用卷积神经网络分别提取RNA的序列和结构特征相加作为组合特征,然后利用Position Embedding网络学习序列的长依赖性。最终我们提出了一种混合神经网络模型RBPformer,使用RNA的序列信息和二级结构信息预测RNA上的结合位点。此外,在本研究中还就二级结构信息是否有助于模型预测性能提升进行了实验。最后通过在19种蛋白质的31个实验组成的CLIP-seq数据集上进行模型的预测评估并与同类预测算法进行比对,其实验结果表明,RNA二级结构信息确实有助于模型预测性能的提升,并且混合神经网络相比其他同类模型具有明显优势,在测试集上该模型的平均AUC可达到84%,表明该混合神经网络有良好的性能。该混合神经网络模型的提出以及二级结构特征的加入为深入研究RNA与蛋白质相互作用研究提供了新的思路。