RNA结合蛋白（RNA-binding proteins,RBPs）是一类与RNA调节和代谢相关的蛋白质,在RNA成熟、转运、定位和翻译过程中起着重要作用。然而,生物实验性的全基因组RNA结合检测方法成本高且耗时。因此,迫切需要一种高效、快速的方法来利用从现有标注知识中学习到序列模式来预测RBP结合位点。由于紫外交联免疫沉淀结合高通量测序（CLIP-seq）的快速发展,积累了大量关于RNA分子与RNA结合蛋白相互作用的数据,这为使用大数据来预测RBP提供了机会。最近,全基因组RNA结合事件检测方法已被提出用于预测RBP。然而,现有计算方法通常受到一些限制,如高维性、数据稀疏性和模型性能低。因此如何有效表征RBP特征信息和设计高效的计算方法来识别RBP是一个富有挑战的研究内容。本文的主要贡献是从模型优化和增加特征信息两个方面对传统深度神经网络进行改进,并设计进化深度卷积神经网络和多编码集成深度神经网络来提升识别RBP的精度。深度卷积神经网络在处理高维稀疏数据方面具有良好的优势。为了进一步提高深度卷积神经网络的性能,我们提出进化深度卷积神经网络（Evolutionary deep convolution neural network,EDCNN）,通过协同进化优化和梯度下降来增强传统的深度卷积神经网络框架来识别蛋白质-RNA相互作用关系。EDCNN将进化算法和不同的梯度下降模型结合在一个互补算法中,其中梯度下降和进化步骤可以交替优化RNA结合蛋白识别性能。为了验证EDCNN的性能,我们在两个大规模CLIP-seq数据集上进行了实验,结果表明EDCNN提供了优于其它最先进方法的性能。此外,我们还从多个角度验证了算法的有效性,如时间复杂度分析、参数分析和基序（Motif）分析等。此外,我们设计了一个多编码集成神经网络（Multi-code ensemble deep neural network,MCEDNN）来提升RBP结合事件的预测精度。首先将RNA序列转换成多种编码表征形式,接着针对不同编码信息设计了不同的特征提取神经网络,然后将学习到的高级特征聚合起来,最后通过多层感知机进行分类。我们在55个大规模RBP数据集上进行了多组实验来验证所提出算法的有效性。