从数据库搜索引擎给出的大量多肽谱匹配(PSM)中鉴定出正确匹配称为多肽鉴定。它是目前基于高通量串联质谱平台鉴定蛋白质的关键步骤。尽管已经提出多种方法来提高多肽鉴定的准确性,由于搜索引擎输出的大量匹配是不正确,研究具有稳定性能的多肽鉴定算法仍是重要的研究课题。CRanker算法是一种基于核的分类方法,具有较强的分类性能。与基准算法相比,在多肽鉴定中显示出其优越性。但CRanker在小规模数据集训练过程中容易发生过拟合以及鉴定性能不稳定的问题。针对上述问题,本文对CRanker模型进行了改进,并设计有效的优化算法。CRanker与标准SVM分类器一样,在所有PSM数据样本上使用相同的损失函数及权重。实际上,目标PSM样本中大量标签是不正确的。这是在小型数据集上发生过拟合的重要原因。第二章在CRanker模型中进行改进,对于诱骗样本和目标样本引起的经验损失分别采用不同的权重参数。并在理论上分析了模型参数的作用。现有的优化问题解决非凸规划模型时很容易在较差的局部最优值终止,特别是在小数据集上,导致分类表现不稳定。第三章结合改进的CRanker模型与自步长学习算法提出了新的多肽鉴定算法,SPL-CRanker。新提出的算法用自步长学习方法代替了原有的训练方式,通过增大自步长学习参数实现了从可信样本到不可信样本的自动提取和分析过程。实验结果表明SPL-CRanker方法克服了CRanker在正确多肽谱匹配比例较小的数据集上鉴定性能不稳定的缺陷,使得在测试数据集上可得到稳定的多肽谱匹配鉴定结果。SPL-CRanker在相同FDR水平下鉴别目标PSM的数目,ROC指标等方面的表现均超过了主流多肽鉴定方法PeptideProphet和Percolator。第四章将CRanker模型重建为内嵌支持向量机的DC优化模型,运用CCCP算法进行求解。实验结果表明新方法与两种基准方法相比,在多个数据集上均可得较好的鉴定结果且在测试集上具有良好的推广性能。为后续设计大规模PSM数据集的多肽鉴定算法奠定了基础。