DNA结合蛋白是一类特殊的蛋白质,其能够和DNA遗传物质相结合,并通过两者的相互作用,参与生物体的各种生物学过程,实现DNA转录、复制等功能,从而对生命体的各类生命活动进行调控,而且它与一些人类疾病的产生有着密切的联系。因此对DNA结合蛋白的识别研究,能够帮助我们更好地理解核酸和蛋白质之间相互作用的原理,相信在不远的将来能够帮助医学工作者们确定一些相关疾病发病的原因及内在机理,为人类疾病的研究做出一份贡献。目前这项研究已成为蛋白质科学研究中的热点问题。在DNA结合蛋白的识别预测领域,尽管已经有一些分类预测方法,其中大部分方法是基于机器学习的,基于深度学习的方法相对较少。本文中,我们借助深度学习分类器来预测DNA结合蛋白,提出了两种预测模型。我们首先运用图卷积神经网络开发了模型GCN-DBP来识别DNA结合蛋白,在这个方法中,对蛋白质序列无需做任何前期的处理,每条长度不等的蛋白质序列均被视为文档,之后对文档进行K-mer分词。接着利用文档和词的关系以及词和词之间的关系,作为语料库来构建文本图,然后通过两层图卷积网络来训练学习蛋白质序列信息,并对超参数进行参数优化。测试结果表明,与现存的四种模型相比,在准确率和Matthews相关系数两项性能指标上获得了最好的效果,它不仅能够很好的识别DNA结合蛋白,而且比现存的四种对DNA结合蛋白进行识别的模型的预测性能更好。为了能更进一步加深对DNA结合蛋白识别研究的深度,我们运用传统的深度学习方法CNN和LSTM开发了LSTMMIX模型来识别DNA结合蛋白。在这个实验中,我们预先统一将长短不一的蛋白质序列处理成长度为180的序列,首先单独使用卷积神经网络模型（CNN）构建单独的CNN分类模型,并对超参数进行参数优化,得到最优的CNN模型。接着我们使用这个最优的CNN模型作为蛋白质序列的特征提取器搭配上长短期记忆网络模型（LSTM）构建LSTMMIX模型,在这个模型中,我们对CNN部分的超参数不再进行优化,只对LSTM部分的超参数进行优化。最后将模型进行对比,我们发现LSTMMIX模型预测性能更好,同时也丰富了深度学习方法在DNA结合蛋白分类上的应用。