微生物是一种看不见的生命,它几乎存在于世界上任何地方,包括高山、荒漠、空气以及人体内,它可以用于发酵食物、处理污水、生产燃料、酶和其它生物活性化合物,因此微生物物种分类在人类的生活和健康等许多方面都非常重要。16S rRNA基因序列存在于所有的原核微生物中,常用16S rRNA基因序列作为微生物物种分类的分子遗传标记物。基于16S rRNA基因序列的物种分类是指通过分析物种的16S rRNA序列得到其所属门、纲、目、科、属各个等级的物种信息。本文提出了一种基于神经网络进行微生物物种分类的方法,使用16S rRNA基因序列的可变区序列为目标序列,采用神经网络作为分类模型进行微生物物种分类。本文使用引物对的方式从16S rRNA全长序列中提取出各个可变区序列,使用基于滑动窗的k-mer方法将可变区序列进行分词操作,将分词后的序列使用嵌入层的方式向量化,并作为输入数据使用神经网络分类。通过对训练数据集的分析,本文设计了两种分类方案:一种为直接分类法,即通过分类模型直接将各个可变区序列分类到属等级;另一种为层次化分类法,先通过门等级分类模型将序列分类到门等级,再将分类到每个门等级的序列输入到此门等级下的属等级分类模型中,继而将序列分类到属等级。在两种分类方案上,又分别以LSTM和BiLSTM为分类模型进行了具体的实现,并对LSTM和BiLSTM的模型结构及参数进行了优化,得到了基于LSTM、层次化LSTM、BiLSTM、层次化BiLSTM四种分类模型。最后将四种模型经过多次交叉验证实验得到的分类结果进行比较,得到基于BiLSTM的分类模型的分类效果最好,因此将其作为各个可变区的最终分类模型。为了验证所得模型的有效性,本文使用来自NCBI的SRA数据库的数据集作为测试数据集,使用BLAST方法得到测试数据集中序列的各等级信息,将基于BiLSTM的分类模型与目前已有的分类模型RDP Classifier、16S Classifier进行实验比较。结果表明在分类精度方面,基于BiLSTM的分类模型均优于RDP Classifier和16S Classifier。在时间性能方面,基于BiLSTM的分类模型耗时在16S Classifier和RDP Classifier之间。综合考虑分类精度和时间性能两方面,基于BiLSTM的分类模型比16S Classifier、RDP Classifier更有优势。针对不同可变区的分类模型的分类性能可能不同的问题,本文对所有基于BiLSTM的分类模型的分类性能进行了分析,发现在门等级上,V5可变区的分类模型的分类精度最好,在除了门等级的其它等级上,V2可变区的分类模型的分类精度最高。最后,根据基于BiLSTM的分类模型的分类结果,本文对测试数据集各个文件的菌群组成进行了分析。