蛋白质的功能与其所处的亚细胞区间紧密相关,通过对蛋白质的亚细胞区间预测研究能够帮助我们了解蛋白质的功能信息,对于生物研究有重要意义。传统通过实验的方式获得蛋白质亚细胞区间信息不仅耗时久、成本高,而且不利于大量蛋白序列的区间定位,因此需要找到一种高效的蛋白质亚细胞区间预测方法。本文中介绍了蛋白序列的特征提取算法并对传统K最近邻(k-NearestNeighbor,KNN)分类器进行改进,提出一种基于相似性比对改进KNN的蛋白质亚细胞分类预测算法,通过AdaBoost和Bagging进行集成预测,取得较好的实验效果,本文主要工作如下:本文主要介绍了氨基酸组成、二肽、伪氨基酸组成三种特征提取算法;除了公共数据集ZD98,CH317,还构建了新的数据集Gram1253;对传统KNN分类器进行改进,使用Blast比对寻找最相似序列完成KNN算法的决策,提出一种新的分类预测算法:相似性比对KNN预测算法,在三个数据集上进行Jackknife检验,成功率分别为93.9%,91.5%和92.5%;随后引入Hadoop分布式计算框架对算法进行优化。为了进一步对预测算法进行研究,本文采用AdaBoost和Bagging算法对多个相似性比对KNN分类器进行集成后对蛋白序列的亚细胞区间进行预测,三个数据集在Jackknife检验下,AdaBoost的预测成功率分别为94.9%,92.4%和93.1%。由于ZD98和CH317数据集区间分布不均衡,Bagging集成算法的预测准确率低于相似性比对KNN算法,为89.8%和87.7%。但在Gram1253上实验效果较好,预测准确率达到92.9%,实验结果表明AdaBoost和Bagging集成分类预测方法是一种较为有效的蛋白质亚细胞区间预测方法。