RNA对生命体的遗传具有重要作用,RNA二级结构是理解RNA功能的初级钥匙。由于缺乏对RNA相对完整的了解,对RNA二级结构打分是生物信息学中的一个挑战。对RNA二级结构打分函数的研究,难点在于对长范围RNA序列的打分函数精确度提高。本文针对短中范围的RNA二级结构应用双向LSTM(Long Short-term Memory)作为打分函数建模基础,并且针对长范围的RNA序列设计了一个重组层将联结特征与RNA子结构特征进行融合,将深度模型提取的特征进行拟合。本文的训练算法不但使用遗传算法调整了正负目标变量比例,而且利用k-folder算法对模型进行交叉验证。递归神经网络由于包含比较多的参数,训练模型消耗的时间比较长。基于此,本文应用Hyperopt超参数优化框架对深度序列模型的训练进行改进,通过快速的并行搜索,我们取得了与人工选择超参数不相上下的模型精度。皮尔森相关系数相较于改进后的双向递归神经网络提高了3%左右,违反率降低了0.2%左右,打分精度又有了一定性的提高。本文结果不但对RNA二级结构打分提供了一个可靠选择,也为深度模型的训练提供了一个有效的实践。