基因启动子是一段位于转录起始位点附近的核苷酸序列,它与RNA聚合酶相结合以确保基因准确转录。在基因调控和治疗、靶向药物研发、亲缘关系鉴定等研究领域,启动子都发挥着关键性作用。因此,从基因组序列中高效地识别启动子已成为一个重要的科学问题。传统的生物实验方法识别启动子耗时、费力,近年来研究界提出的许多计算方法虽然具有高效、便捷等优点,但随着基因组研究的逐步深入,发现物种的基因形态、结构和功能更加复杂,现有方法面临着计算瓶颈问题。鉴于此,本文研究基于机器学习的基因启动子预测方法,进一步提高预测性能,为启动子相关研究提供新的途径,对促进基因调控研究和靶向药物研发具有重要的理论价值和应用前景。主要研究内容与结论如下:（1）启动子多源特征融合方法研究针对现有启动子特征提取方法的单一性,导致无法全面解释启动子特性的问题,本研究设计一种启动子多源特征融合方法。该方法采用统计分析方法提取序列特征,构建深度学习模型提取深度特征;设计并实现特征融合和基于XGBoost的特征选择方法,确定最佳特征集。实验结果表明:启动子多源特征融合方法能够结合异质特征的优点,全面表示了启动子特性,为启动子预测模型构建和跨物种启动子预测分析提供了特征基础。（2）启动子预测模型构建方法研究针对现有启动子预测模型的性能和泛化能力欠佳的问题,提出了基于机器学习的启动子预测模型PredPromoter-MF。在常见的原核和真核生物启动子数据集预处理的基础上,针对样本量不均衡的大肠杆菌启动子多分类问题制定了一种多级二元分类方案;并构造了基于深度森林模型的两层预测框架,对启动子及其类型进行分类;使用SHAP方法可视化评估模型。实验结果表明:在枯草杆菌、大肠杆菌、人类、小鼠、果蝇和拟南芥数据集上进行五折交叉验证,PredPromoter-MF的Accuracy值比现有方法分别高出1.04%、0.05%、10.96%、1.66%、6.83%和3.21%。（3）跨物种启动子预测分析方法研究鉴于基因组研究时代的模式生物和跨物种测试研究策略的逐渐深入,提出了基于机器学习的跨物种启动子预测分析方法。该方法首先基于人类和小鼠启动子数据集设计一种增强数据模型,构建增强数据集;然后评估机器学习模型的独立测试性能,对性能最优的NGBoost算法参数寻优,训练跨物种启动子预测模型CPPM;最后使用样本序列分析方法对人类和小鼠启动子的富集性进行可视化分析。实验结果表明:在人类的TATA-Box启动子和所有启动子的独立测试集上进行实验,CPPM的Accuracy值比主流跨物种预测方法分别高出15.08%和9.12%。序列可视化结果验证了方法的可行性,为分析启动子及其他调控元件提供新的视角。