本文面向蛋白质翻译后修饰(Post-Translational Modification,PTM)位点预测问题进行了基于深度学习方法的算法研究。具体工作如下:(1)针对通用及激酶特异性磷酸化位点预测问题,提出了基于深度学习的Musite Deep框架并开发了相应的开源代码工具包。Musite Deep框架在磷酸化位点预测精度方面较已有方法取得了显著提升。同时该框架也适用于其他基于序列的PTM位点预测问题。(2)探索了与深度学习模型相关的多种训练策略,主要包括基于Bootstrapping方法的集成训练策略,结合不同物种信息的数据串行化训练策略,以及针对PTM特征层次结构而设计的模型并行化训练策略。(3)将胶囊网络应用于生物序列研究中,建立了面向多种PTM位点预测问题的模型,并探索了胶囊网络在生物序列分析中的优势。本文的研究为如何将深度学习方法应用于PTM预测问题提供了一套流程,为其他基于蛋白质序列的预测方法的研究奠定了基础,并将会启发深度学习方法在计算蛋白质组学中其他方向的应用。