蛋白质在细胞中发挥的作用能够参与到生命体的生长、发育和繁殖等活动中。研究发现多标记蛋白质承载着更多的细胞功能,通过对多标记蛋白质亚细胞的定位研究能够帮助人们理解更多疾病的发病机制,为细胞疾病的预防和诊断提供参考信息,并揭示了多标记蛋白质在药物化合物等方面发挥的重要作用。面对多标记蛋白质数据逐渐增多,传统意义的研究方法已不能成为研究者们探索的主要手段。因此利用机器学习对多标记蛋白质亚细胞进行预测越来越重要。本文针对多标记学习的蛋白质亚细胞定位深入研究,研究内容如下:1.提出了一种基于Mps LDA-Pro SVM的多标记蛋白质亚细胞定位预测新方法。首先,利用四种编码算法伪氨基酸组成、三联体、基因本体和伪位置特异性得分矩阵挖掘序列中的特征并融合多种信息。其次,将融合后的特征信息首次采用基于熵权重形式的加权多标记线性判别分析法精炼和提纯特征信息。最后,将最优特征子集先使用多标记K近邻与具有标记特征的多标记学习算法得到相关标签的综合排名,再输入到基于支持向量机的预测和相关性排序（Pro SVM）分类器中预测其亚细胞位置。通过留一交叉验证进行测试,病毒,植物,革兰氏阳性菌和革兰氏阴性菌数据集的OAA值为98.06%、98.97%、99.81%和98.49%、比其他先进方法分别高0.56%-9.16%、1.07%-30.87%、0.21%-6.91%和3.99%-8.59%。通过对比,模型Mps LDA-Pro SVM可以有效预测细胞中多标记蛋白的特定位置。2.提出了一种基于多视图学习的多标记蛋白质亚细胞定位方法,称为Mpsmv RBRL。首先分别利用伪氨基酸组成、伪位置特异性得分矩阵、特异性得分矩阵-转移概率组合、二肽和基因本体算法从不同视图中提取数值信息。根据五种单特征提取方法的贡献值,首次使用差分进化算法学习单特征的权重,再将这些原始特征采用加权的方式融合多种信息。其次将融合后的高维特征使用基于二进制权重形式的加权多标记线性判别分析法去除不相关的信息。最后将最优特征向量输入到具有鲁棒性低秩学习的联合排名支持向量机和二进制相关性（RBRL）分类器中预测多标记蛋白质亚细胞的位置。经过留一交叉验证检验,Mpsmv RBRL在训练集革兰氏阳性菌数据集上的OAA值与OLA值均为99.81%。在测试集病毒、植物和革兰氏阴性菌数据集上的OAA值分别为98.55%、97.24%和98.20%,OLA值分别为97.62%、97.16%和98.28%。结果表明本文提出的模型达到了良好的预测性能,能够有效的预测多标记蛋白质亚细胞的位置。