自然界中存在着大量的生物序列。这些生物序列往往有着某些功能,对生物序列功能性研究一直是生物信息领域的热点。这里我们依据蛋白质氨基酸序列研究膜蛋白多分类,以及根据RNA/DNA序列研究亚细胞定位。膜蛋白具有多种对器官存活至关重要的生物功能,如氧化还原酶、转移酶或水解酶。如果能检测到膜蛋白的特定类型,就能快速确定蛋白的生物功能。现有的计算方法不仅利用了氨基酸疏水性指数的自相关函数,而且考虑了一级蛋白序列的进化保守性信息。同时,生物分子的生物学功能依赖于它们在细胞中所处的细胞腔室。重要的是,RNA被分配到细胞的特定位置,使细胞能够以并发的方式实现不同的生化过程。然而,现有的大量RNA亚细胞定位分类器只能解决单标签分类问题。事实上,一个初级RNA转录本被用来制造多种蛋白质。因此,将RNA亚细胞定位问题扩展为多标签分类问题具有重要的现实意义。这些研究对药物设计、医学诊断等方面有着重要的科学意义和应用价值。膜蛋白多分类研究中,一个膜蛋白序列只属于一个类别,因此这是一个单标签多分类问题。我们使用平均块（Av Block）、离散小波变换（DWT）、离散余弦变换（DCT）、梯度直方图（HOG）和伪PSSM（Pse PSSM）从位置特定分数矩阵（PSSM）中提取演化特征。并根据以上5个特征集构造5个核。在此基础上,我们提出了一种新的基于希尔伯特施密特独立性准则（HSIC）的多核支持向量机（MKSVM）分类器来整合五个核用于膜蛋白的识别。为了评估性能,我们在膜蛋白的四个基准数据集上测试了我们的方法。比较结果表明,我们的预测模型在所有现有的优秀方法中取得了最好的性能。RNA亚细胞定位研究中,一个RNA/DNA样本序列可能属于多个类别,这是一个多标签多分类问题。我们在不同类型的RNA上提取关于RNA相关亚细胞定位的多标签分类数据集,由此构建四个RNA类别的亚细胞定位数据集。为了研究人类,我们进一步建立了人类RNA亚细胞定位数据集。此外,我们利用不同的核苷酸性质组成模型来提取有效的特征,以充分表达核苷酸序列的重要信息。我们提出了一种解决这类问题的方法,那就是通过基于希尔伯特施密特独立性准则（HSIC）的多核学习来融合多元信息。最优组合核可以放入集成支持向量机模型,用于识别多标记RNA亚细胞定位。在结果上,与其他预测工具相比,我们的新方法在新的基准数据集上表现更出色。并且我们建立了方便用户的web服务器,该网站可以被大多数相关研究者使用。通过对生物序列功能性的多分类研究,我们解决了膜蛋白单标签多分类问题,通过使用的我们的方法每个数据集都取得了出色的结果。并且我们提出了一种较新的多核学习算法,将拉普拉斯图正则项加入其中,这样增加了模型的鲁棒性。同时,在RNA膜蛋白亚细胞定位多标签多分类问题,我们构建了多个多标签的数据集,为未来研究者提供了方便。除此之外,我们提供了一个多标签多分类的模型,该模型给其他研究者作参考。