宏基因组学是直接从环境样本中提取DNA序列来进行研究,对微生物的群落结构、物种的组成以及相对丰度等问题进行研究和探索的学科。近年来宏基因组在人类、动物、植物和环境中的研究越来越广泛,但是,宏基因组包含大量未知种类的微生物,通过宏基因组测序得到的原始数据是一些数量巨大的、长度较短的DNA片段。测序得到的DNA片段称为宏基因组的原始数据集,并将基因组短片段通过其末端的连续重叠序列连接组成的DNA片段称为DNA重叠群（contigs）。在宏基因组学的研究中,关键的步骤是将DNA重叠群按物种的属性进行分类,然而,达到理想的分类效果则会受到很多因素的限制,例如:DNA重叠群数量不等、各个物种之间的丰度比不同、DNA重叠群长短不一致等。所以,如何有效划分宏基因组DNA重叠群是当前研究的重点和难点。宏基因组DNA重叠群进行有效分类问题存在的难点主要有:一、在宏基因组数据集中,每条DNA重叠群长度长短不一产生的问题;二、有效准确地对DNA重叠群进行聚类的问题。因此,本文对于目前DNA重叠群分类问题所存在的一些重点和难点方面进行了如下研究:（1）宏基因组DNA重叠群k-mer频率特征提取宏基因组数据特点是大量不同物种的DNA序列混杂,因此将大量DNA序列按照其物种属性进行分类是宏基因组分析的重要一步。在进行宏基因组分析前,利用k-mer频率提取每个DNA片段的数字特征,同时构建特征矩阵作为实验数据集。由于宏基因组数据集属于不平衡数据集,原始数据特征问题导致k-mer频率存在近源物种和短序列特征稀疏等一系列问题,从而会影响聚类性能。因此在聚类之前,需要对其进行特征学习。（2）构建一种基于重叠群长度特征加权的VAE（Variational Auto-Encoder,变分自编码器）特征学习模型本文通过对DNA重叠群进行长度特征加权,解决了DNA重叠群长度不一致对聚类效果产生影响的问题。首先,依据宏基因组数据集的特征来训练与其自身匹配的VAE模型结构和损失函数。然后,将加权后的特征向量作为VAE的输入。基于DNA重叠群长度特征加权的VAE是由两个神经网络组成的,编码器将高维输入映射到低维编码（称为潜在表示）,解码器将编码映射到输出,其输出与原始输入的尺寸相同。其中,每个重叠群表示为高维空间中的一个点,此后重叠群的分箱只是高维空间中的点的聚类。（3）提出一种基于深度密度聚类的宏基因组重叠群分类策略依据得到经过加权并进行深度学习的特征向量,本文采用基于改进DBSCAN（Density-Based Spatial Clustering of Applications with Noise）密度聚类算法完成对于宏基因组重叠群的聚类:DBSCAN的两个参数的选择,是通过基于LSH（Locality Sensitive Hshing,局部敏感哈希）改进的DBSCAN聚类算法自动得到临近半径和采样点,避免手动输入造成的聚类误差,最后将两个参数和特征向量作为输入,从而进行完整的深度密度聚类。综上所述,本文提出一种基于无监督深度学习的聚类算法模型,对宏基因组重叠群分类进行系统研究。构建特征矩阵、对特征矩阵中的重叠群长度进行特征加权、构建适合宏基因组数据集的VAE特征学习模型、提出基于最近邻搜索参数的DBSCAN密度聚类算法,并取得比现有分箱方法更好的分类效果。