蛋白质结构预测的研究对了解蛋白质功能、促进蛋白质工程以及药物的研发具有重要意义。而跨膜蛋白则是蛋白质中结构比较特殊的一类蛋白,其通过特殊的跨膜结构穿透磷脂双分子层长期稳定地固定在生物膜上,是生物膜功能的主要承担者。因此,跨膜蛋白结构的研究具有非常重要的生物学和医学意义。根据跨膜区结构的不同,跨膜蛋白可以分为α螺旋和β桶状跨膜蛋白两大类。作为跨膜蛋白中重要一类的α螺旋跨膜蛋白,其结构的研究对于跨膜蛋白的功能研究意义重大。由于目前已知结构的跨膜蛋白数量远远落后于各种基因组中这类蛋白的估计数量,进行较低分辨率的拓扑结构预测显得尤为重要,所以利用跨膜蛋白的氨基酸序列信息以及计算生物学的方法来进行跨膜蛋白拓扑结构预测研究成为当前蛋白质结构预测领域新的研究热点。目前已有的α螺旋跨膜蛋白预测方法其准确性,随着已知结构的跨膜蛋白数量的增长,而开始下降。因此开发精确的预测方法迫在眉睫。随着深度学习算法的日渐发展成熟,其在计算生物学领域也取得了突破性进展,因此借助深度学习技术来提高α螺旋跨膜蛋白拓扑结构预测方法的性能具有非常的好的研究前景。虽然目前已有使用深度学习技术的α螺旋跨膜蛋白拓扑结构预测方法,但其方法的稳定性和模型的生物可解释性仍存在创新和改进的空间。本文提出了一种新型α螺旋跨膜蛋白拓扑结构预测方法,利用已知蛋白质序列信息来构建α螺旋跨膜蛋白拓扑结构预测模型。本文方法利用多尺度残差网络来提取跨膜蛋白序列不同尺度的局部关联特征;利用递归神经网络处理和预测序列数据的先天优势,在跨膜蛋白拓扑结构预测领域引入双向长短期记忆（BiLSTM）网络,用于学习全局关联信息和蛋白质序列中潜在的长期依赖关系,最终构建多尺度残差BiLSTM网络。同时在该网络中引入注意力机制（Attention）和Mask网络层,强化关键信息,降低填充补位（padding）带来的消极影响,以增强模型的分类学习能力,提升模型的预测性能。本文的预测方法实现使用简单有效的HHblits图谱特征,获得最优化的实验结果。对最终获得的预测模型,本文将采用严格统一的评估指标作为衡量标准,从单个残基、跨膜螺旋片段和整体拓扑结构三个层面与其他5种最新的α螺旋跨膜蛋白拓扑结构预测方法进行对比分析。对比结果表明,本文预测方法与先前所提到的方法相比拥有更好的预测性能,能够较为精准的对α螺旋跨膜蛋白的拓扑结构进行预测。本文提出的预测方法最终输出的拓扑结构预测结果在符合生物逻辑性的方面仍存在创新和改进的空间。