自从发现DNA遗传物质以来,人类便不断对其进行探索研究,并开展了一系列基因组测序工作。时至今日,基因测序技术通过不断革新,已经发展到第四代。最新的纳米孔测序技术通过被测DNA链通过纳米孔时电流信号的变化识别其碱基序列,不需要繁复的DNA链预处理过程,具有低成本、速度快、易携带、实时性、读长长等优点,但也存在准确率不高的缺陷。在针对纳米孔测序信号的碱基序列识别方法中,一种是以隐马尔科夫模型为代表的统计方法,另一种是以LSTM循环神经网络为代表的深度学习方法。但由于模型结构简单,前者的识别精度并不理想;而后者对时序输入信号的分析不够充分,识别效果仍有较大的提高空间。鉴于此,本文基于TCN时序卷积神经网络研究了纳米孔测序信号的碱基序列识别问题。首先,本文对λ噬菌体纳米孔测序仪Min ION的测序数据进行预处理,根据质量分数与序列长度筛选数据,并在NCBI数据库中获得参考基因组,形成研究数据集。随后,基于TCN时序卷积神经网络框架构建了识别模型,以针对被测DNA链的纳米孔测序电流时序信号实现碱基序列识别。模型构建过程中,考虑到所研究数据为时序数据而采用因果卷积,并针对感受野小的问题而采用扩张卷积。在数据输出部分结合连接时序分类器(CTC)的解码机制,通过引入空白占位符与概率计算方法解决无分割端到端非对齐序列预测的问题,并利用其损失函数优化模型参数。当输入序列较长时,引入了可以从大量信息中快速筛选高价值信息的注意力机制,同时采用批标准化解决ICS(Internal Covariate Shift)问题实现模型性能的进一步提升。最后,利用融合模型的思想搭建了基于基本模型和注意力机制的集成模型。经与目前已有模型的实验对比,本文构建模型的识别效果更好。