蛋白质是许多生命的物质基础,蛋白质之间的相互作用是大部分生物功能实现的前提。同时,研究蛋白质相互作用有利于药物和疾病的发现以及推动药物研究,蛋白质相互作用的研究也因此成为当代的研究热点之一。现有的预测蛋白质相互作用主要分为两种方法:传统的高通量实验方法和计算生物学方法。传统的实验方法由于其开销大、时间成本高成为阻碍其发展的主要因素。因此开发高效的蛋白质相互作用预测计算方法也日益迫切。本文提出两种计算方法,一种是基于深度神经网络,另一种是基于集成学习进行蛋白质相互作用预测。主要研究内容如下:(1)本文提出一种基于结构深度网络嵌入和随机森林的蛋白质相互作用预测方法。首先利用堆栈自编码器获得大分子的属性特征,其次利用结构深度网络嵌入方法在分子异构网络上获得另一种特征向量行为特征,在结合属性特征和行为特征后,利用随机森林分类器来预测蛋白质相互作用。在预测蛋白质相互作用时,得到结果的平均准确率、精确度、敏感度、特异性和MCC分别为83.12%、84.58%、81.02%、85.22%和66.30%。并且将所提出的方法与多种单一分类器进行比较,综合实验结果说明了本文所提出的方法可以有效的预测蛋白质之间的相互作用。(2)以蛋白质序列的方式来预测蛋白质相互作用。本文提出一种基于局部最优定向模式和旋转森林的蛋白质相互作用预测方法。首先将一维的蛋白质序列通过位置特异性打分矩阵转化成二维的矩阵形式,其次使用局部最优定向模式从所得的打分矩阵中提取特征向量,减少噪声对最终结果的影响。最后利用旋转森林对蛋白质相互作用进行预测。在预测酵母菌、人类和幽门螺杆菌时,所提出的方法平均准确率分别达到了90.48%、94.14%和94.89%。并且为更好的评估所提出方法的有效性,将本文所提出的方法和多种分类器进行了结果比较,并且与前人所提出的方法进行比较。经过大量实验表明,本文所提出的基于局部最优定向模式和旋转森林的蛋白质相互作用预测方法能够有效的预测蛋白质相互作用。