在生物信息学领域,蛋白质二级结构预测一直是研究的热点。蛋白质是人体生命活动的主要载体,因此深入理解其结构将有助于相关疾病的治疗及新型药物的研发。本文主要采用了三种不同的深度学习组合模型来提高蛋白质二级结构预测的准确率,主要工作包括以下三个方面:（1）基于WS-Bi LSTM网络模型的分类方法。本文提出了一种新的模型WSBi LSTM,结合了小波散射卷积网络和双向长短时记忆循环网络（Bi-LSTM）来预测蛋白质的二级结构。该模型捕获氨基酸序列之间的非局部相互作用并记住氨基酸序列之间的长程相互作用。在WS-Bi LSTM模型中,小波散射卷积网络从PSSM滑动窗口中提取蛋白质特征,提取的特征与原始PSSM数据相结合,作为Bi-LSTM的输入特征,送入到模型中预测蛋白质二级结构。在测试集CASP9、CASP10、CASP11、CASP12、CB513、PDB25上的Q3准确率分别达到85.26%、85.84%、84.91%、85.13%、86.10%和85.52%,比只使用Bi-LSTM分别高2.15%、2.16%、3.5%、3.19%、4.22%和2.75%。将本模型的结果与最先进的方法进行比较,证明我们提出的模型在CB513和CASP12数据集上取得了更好的结果。实验结果表明,从小波散射卷积网络中提取的特征可以有效提高蛋白质二级结构预测的准确性。（2）基于小波散射卷积网络和时序卷积网络（TCN）的分类方法。本文首次将小波散射卷积网络和TCN组合进行蛋白质二级结构预测。本模型以滑动窗口的方式对数据进行处理,利用小波散射卷积网络对蛋白质序列局部相互作用进行特征提取,充分发挥TCN灵活的感受野和不会产生梯度相关问题的优势,以完整的蛋白质序列作为输入。在公共测试集CASP9、CASP10、CASP11、CASP12、CB513和PDB25上的Q3准确率分别达到85.82%、86.33%、85.46%、85.68%、86.71%和85.97%,比单独使用TCN分别高2.06%、2.04%、3.16%、3.07%、4.29%、2.42%。实验结果表明,本模型有效的提高了蛋白质二级结构预测的准确率。（3）基于Morlet小波和Bi-LSTM的分类方法。本文首次提出了结合Morlet小波和Bi-LSTM预测蛋白质二级结构。本模型延续了前两章“序列-滑动窗口-序列”模式的数据处理流程,首先将蛋白质序列划分成滑动窗口送入到Morlet小波,提取到不同尺度的特征,将提取到的特征按序列模式与原始蛋白质序列融合,送入到Bi-LSTM进行预测。实验结果表明,本模型取得了较好的分类结果。