蛋白质的翻译后修饰几乎参与了在生物体内的所有的细胞调节过程,并对此具有十分重要的调控作用。水稻蛋白的翻译后修饰关系到水稻的代谢和淀粉合成的过程,进而影响水稻的产量,而水稻的产量与人们的生活息息相关。因此,判断水稻蛋白上,赖氨酸是否发生了翻译后修饰的问题具有相当重要的价值。传统的判断方式是通过生物实验测定,需要较高的时间和经济成本。高通量质谱技术的出现给蛋白质翻译后修饰问题带来了更为丰富的实验数据,这也给研究者通过计算的方法预测蛋白质翻译后修饰位点提供了数据基础。但现有的预测模型对特征工程具有较强依赖,也不能很好的利用多种特征提取方法获得的多源特征。为解决此问题,本研究通过深度学习方法提出了一些新的预测框架。本文主要贡献如下:（1）提出了一种基于多源特征选择应用表格网络预测水稻蛋白中赖氨酸翻译后修饰的方法,该方法的框架基于对多源特征选择筛除冗余特征,构造最优子特征集,并通过表格网络在最优子特征集上实现对水稻蛋白翻译后修饰的位点预测。为了解决多源特征集中来自于不同特征提取方法之间的特征干扰,本文又对该框架进行改进,提出了一种结合多通道注意力机制应用表格网络预测水稻蛋白中赖氨酸翻译后修饰的方法,分别从多源特征中不同来源的特征子集中提取信息,并且通过通道注意力模块学到的权重对多通道表格网络的特征进行调整,获得了更出色的预测性能。（2）提出了一种多尺度氨基酸词向量方法,同时兼顾了蛋白质序列中氨基酸的多个尺度信息,能够从蛋白质序列中获得更丰富的氨基酸向量表达方式。实验结果表明,与通过单个氨基酸学习到的向量表达相比,多尺度的氨基酸词向量能够提升模型在水稻蛋白上六种翻译后修饰位点预测的性能。（3）提出了一种应用多头注意力的水稻蛋白翻译后修饰预测方法,该方法框架以多尺度氨基酸词向量作为输入,并构造了一种基于多头注意力的预测模型,能够在不同尺度氨基酸词向量的通道之间学习注意力权重并调整各通道特征。试验结果表明,在水稻蛋白的翻译后修饰位点预测问题上基于多头注意力的水稻蛋白翻译后修饰预测框架能够比现有的蛋白质位点预测模型取得更出色的预测表现,其AUC指标比现有模型提高了3.0%-10.3%,准确率比现有模型高了2.0%-4.0%。