microRNA是一类内源性的长度约为20～24个核苷酸的单链非编码小RNA,具有高度进化保守性和表达特异性,在生物体内的各种生理和病理过程中发挥着广泛而重要的调控作用。迄今为止,科学家已经在动物、植物、病毒以及真菌等生物体中检测到了数以万计的microRNA,但是仍然有大量未知的microRNA等待着人们的发现。因此,更多新的microRNA的发现与识别,将有利于人们对它的功能以及它在复杂生物过程中的调控作用展开更深层更全面的研究与分析。新的microRNA的发现主要有生物实验检测和计算预测识别两类方法,前者虽然更为直接准确,但是其实验周期长,成本高,而且很难克隆特定组织、特定时期表达的microRNA。研究表明,基于计算的预测方法可以弥补实验方法的不足,近年来,随着生物信息学和机器学习的不断融合发展,基于机器学习的计算预测方法已成为当前的研究热点。因此,本论文以生物信息学为背景,基于机器学习中的随机森林算法构建了两个计算模型,mil RNApredictor和plant Mir P-rice,分别用来预测识别真菌和水稻的microRNA,具体的研究成果概括如下:(1)milRNApredictor的构建。该研究中,我们结合了k-mer方案和距离相关的k-mer对电势,构造了106个基于知识的能量特征,基于随机森林训练了一个用于从头预测真菌microRNA(mil RNA)的模型,该模型不需要参考基因组和mil RNA前体序列。研究结果显示,4-、6-、8-和10-折交叉验证的AUC值分别为0.8324、0.8324、0.8335和0.8362,表明mil RNApredictor具有良好的预测性能。(2)plant Mir P-rice的构建。该研究中,我们共提取了83个特征来训练基于随机森林的预测模型,专门用于预测水稻microRNA前体(pre-mi RNA)。这些特征包括34个新的基于知识的能量特征以及49个现有的特征。研究结果表明,plant Mir Price对水稻pre-mi RNA的预测性能良好,准确性达到了93.48%;另外,plant Mir Price在植物pre-mi RNA预测分类方面的表现优于现有的预测工具。