在人类基因序列的三十多亿个碱基对中,能够被反转录的占比为三分之二,能够被用于编码蛋白质的仅有不到百分之二。因此,在基因序列中包含着大量的碱基对序列并不表达蛋白质,这一类碱基对序列被称为非编码RNA（Non-coding RNA,ncRNA）序列。这些非编码RNA序列在生物整体基因序列总所占比例对于物种的区分密切相关,且其在物种发育成长和物种特性基因表达上发挥着调控作用。有大量研究表明,长链非编码RNA在表观遗传学调控的方面起着越来越重要的作用,参与了多种RNA的调控等过程,其亚细胞定位信息便显得尤为重要。长链非编码RNA一般意味着序列长度大于200,这些序列具有分子机制和功能的高度复杂性,对于它的研究一直落后于其他非编码RNA。对于长链非编码RNA的亚细胞定位,主要存在几个问题:研究者们往往只能通过生物实验的手段进行验证,非常耗时且成本昂贵,对于亚细胞定位问题的解决效率并不算高;并且,即使有机器学习的解决方案,对于长链非编码RNA序列的特征提取方法较为单一;此外,传统的长链非编码RNA亚细胞定位问题的研究往往仅仅关注单标签分类问题,而从实际角度出发,该问题其实是一个多标签分类问题。本文基于以上几点问题,讨论了基于多特征融合的算法来解决长链非编码RNA的亚细胞定位的可能。本文的主要工作内容如下:（1）提出了一种基于多特征融合算法的LncRNA亚细胞定位预测算法,利用多角度提取的核苷酸序列特征,结合基于差分进化的特征融合算法对各特征进行权重分配后融合,并且对融合后的特征降维以获取最佳特征子集,最终在多种多标签分类器中选择出最佳分类器。（2）在特征方面,本文主要考虑了四个角度:传统的序列组装算法K-mer、基于子序列的考虑了上下文信息的编码特征、核苷酸序列的生物结构特性、核苷酸序列的伪二核苷酸组成（Pse-DNC）。首先,对于上述从核苷酸序列提取出的四种特征,我们都将其分别与机器学习算法相结合,进行多标签分类预测。实验结果表明,上述特征均可以从不同的角度有效表达核苷酸序列与亚细胞定位结果的一些内在规律。进一步地,我们可以将上述四个角度提取的特征进行融合,得到一个从多角度描述核苷酸序列的融合特征,并通过降维得到最优特征集合作为机器学习分类器的输入。（3）实验结果对比各单独特征的表现以及其他融合方案,AP与准确率平均结果均有上升,汉明损失、1-错误率和排序损失下降。在10折交叉验证结合20%独立留出验证的条件下,相较于使用同数据集的现存工具,AP等指标均有提升。同时,将本文算法应用在扩展的人类LncRNA数据集上,相对现存工具AP上升了 4.1%。本文亦开发了在线网站和开源工具,方便相关研究者们使用。