多肽是一种天然存在的物质,大小从2到50个氨基酸不等。自20世纪胰岛素疗法出现以来,肽疗法在医学实践中发挥了显著的作用。与传统的药物相比,他们具有几个优点:易于合成、毒性低、较高的靶向特异性和选择性。癌症和病毒感染一直是导致死亡的主要原因,对人类健康有很大的影响,也是发达国家和发展中国家关心的健康问题。传统的癌症治疗方法依赖于放疗和化疗,这也给患者带来了严重的副作用。作为一种治疗肽,抗癌肽（ACP）克服了传统癌症治疗方法的严重副作用和不良效果,在癌症治疗中的应用受到了广泛的关注。病毒是世界范围内的病原体,部分病毒感染也会诱导癌症的发生,一直威胁着人类的健康。因此,有必要发现和设计新的抗病毒药物。抗病毒肽（AVP）是一种被证实具有活性的多肽,因其独特的优势已经成为一种很有前景的新型抗病毒药物。随着深度学习的发展,给治疗肽的预测提供了一种新的思路。因此本文的内容主要有以下两个方面:1.发展了一种基于注意力机制和词向量编码的AVP预测方法。首先,采用词向量编码将多肽序列转化为数字向量。然后,构建卷积神经网络（CNN）和循环神经网络（RNN）的混合模型来自适应提取肽序列中的特征,并使用注意力机制使模型更加关注特征中重要的部分。使用AVP预测领域权威的数据集,对模型进行十折交叉验证训练,从不同的模块组合中选取最优的模型。最后,与其他现有其他方法在独立测试集上进行比较,结果显示,本文所提出的模型在性能上都有一定幅度的提升。2.构建了基于双通道特征融合的抗癌肽预测模型。在该模型中,一个通道使用CNN自动提取序列的潜在空间特征;另一个通道是用来对常用人工特征进行卷积处理,提取更高维空间的特征。此外,还探索了一种有效的特征融合方法来实现双通道特征之间的相互融合。最后,基于融合特征采用神经网络预测ACP。单一特征和融合特征的性能比较表明,融合多视图特征可以有效提高模型的预测能力。为了进一步验证模型的性能,使用两个独立的测试集将其与其他现有的方法进行了比较。结果表明,该模型在正负样本不平衡的测试集上高于其他现有方法,在正负样本平衡的测试集上高于大多数现有方法。