生物信息学渗透着生命科学的方方面面,如何利用计算机快速针对蛋白质进行分类一直以来都是计算机科学和生物信息学的热点研究问题。另外,对于蛋白质分类问题,如何进行有效地增量学习一直以来是研究的空缺,同时这也是终身机器学习算法的一个难点。本文基于终身机器学习的思想,针对蛋白质家族数据构建了两个可以进行有效增量学习的多分类模型,该模型扩展了终身机器学习的应用领域,为生物信息学中多分类问题的研究提供了新的思路。本文的主要研究内容和贡献如下:1.数据方面,本文针对PFam数据库中的蛋白质家族数据进行归类,为终身机器学习模型的研究提供了一个具有标注严格,去除冗余的蛋白质家族数据集。该数据集由于具有大量任务并且每个单独任务数据样本较少,十分适合进行终身机器学习模型以及任务关联发现的研究。并且本文利用多种方法分别从计算机以及生物学的角度构建氨基酸序列特征,该特征在本文提出的两种模型上均取得了很好的分类效果。2.算法方面,本文根据是否保留历史任务的训练数据分别设计了两种终身机器学习方法。本文通过对SVM多分类模型进行拆分,使其在子任务上可以选择更加合适的特征子空间,在保留历史任务训练数据的情况下可以进行有效的增量训练。此外,本文将自编码器能否有效还原输入特征向量作为分类的判定条件,创新性的在隐层引入了前置任务损失和均值损失,构建了不需要保留历史任务训练数据的终身机器学习分类方法。3.服务方面,基于SVM终身机器学习方法,本文构建了针对蛋白质家族分类任务的Web服务,该服务目前支持26个蛋白质家族的分类,在该任务上模型最终的Accuracy,Specificity,Sensitivity以及MCC指标分别达到0.9934,0.9995,0.9873以及0.9869,表明了本文提出算法的有效性。