蛋白质是生物中各类细胞和组织的重要组成部分,在各项生命活动中,起到关键作用。蛋白质在生物机体内发挥作用时,大部分时候是以多个蛋白质的共同参与为基础的。这些共同参与的蛋白质所组成的功能模块,也被称作蛋白质复合物。实验方法识别蛋白质复合物,存在成本高等问题,因此有必要使用计算方法识别蛋白质复合物。在计算方法识别蛋白质复合物的领域中,之前已经提出了许多成功的方法来检测蛋白质相互作用网络中的蛋白质复合物,各种算法各自存在优势,但也存在可优化和改进的空间。在本文中,分别就动态蛋白质网络和静态蛋白质网络提出两种识别算法和策略,并通过实验证明算法的有效性。蛋白质相互作用网络,作为标准的图结构,因其具有非欧几里特性,使用传统的各种数据分析方法,往往因运算量较大,效率较低。随着图网络理论和技术的发展,图嵌入算法作为有效的图分析算法,被引入蛋白质复合物的识别中。图嵌入算法将原始的图网络进行降维,得到低维的向量表示并保留其中的关键信息。图嵌入算法主要包括四大类方法:基于矩阵分解、随机步进、神经网络、自编码器的嵌入方法。本文中尝试引入多种图嵌入算法来融合相应的生物信息,以增强图的表示能力。本文的主要研究内容如下:（1）基于动态蛋白质网络,提出一种包含变分自编码器的核附属蛋白质复合物识别DVCA算法。DVCA算法中,首先由静态蛋白质网络和基因表达数据,生成动态蛋白质相互作用网络。之后,对动态蛋白质网络进行数据清洗筛选后,由动态蛋白质作用网络生成加权蛋白质相互作用网络。然后将加权网络和基于基因本体论生成的属性网络,输入到变分图自编码器中,输出含有节点向量的节点矩阵。最后,根据节点矩阵生成蛋白质复合物的核心和附属,并对生成的蛋白质复合物的各项参数进行评估。（2）基于DVCA算法进行进一步优化,提出MEA算法,进一步提升蛋白质复合物的识别效率和识别能力。首先,提出一种全新简洁的数据清洗和优化算法,降低算法复杂度。其次,提出在变分自编码器的基础上,加入加速属性网络嵌入方法,进一步与图中蛋白质节点的生物属性相结合,优化网络的表达能力。最后,融入一种全新的核附属识别算法,扩大蛋白质复合物核心识别的识别范围,提升附属蛋白质的识别准确度。本文提出的两种蛋白质复合物识别算法在多个蛋白质相互作用网络数据集上进行了大量实验。实验结果表明,本文提出的DVCA和MEA算法均取得了优良的识别效果,与一些高精度识别算法相比,DVCA算法和MEA算法识别精度更高,运行效率更好。同时在构建动态网络、结合生物属性、网络数据清洗、网络嵌入、核附属识别算法等方面,对其他蛋白质复合物识别算法具有一定的参考价值,也可考虑将算法推广到其他网络中解决更多网络问题。