及时的鉴定新出现流感病毒的抗原性变异对于流感疫苗的设计、流感的监督以及人们的生命健康都是至关重要的。传统的实验方法(例如血凝抑制试验)虽然预测效果不错,但仍有不少缺点和不足:费时又费力,不能及时有效的对流感起到监控作用;有些实验无法顺利进行而导致我们获取的血清学数据比较稀疏(含有大量的缺失值);测量值存在人为和系统误差故而最终的血清学数据中有不少值过低。为了加速对流感病毒抗原性变异的预测及提升预测质量,基于流感病毒血凝素蛋白序列的生物信息学方法不断的被提出。本文通过提取血凝素蛋白的序列信息并结合对应血清学数据对甲型流感病毒的抗原性变异进行分析和预测,主要研究内容如下:1.综述了近几年国内外甲型流感病毒抗原性变异的预测研究进展,主要是针对血凝素蛋白序列的特征提取以及预测分类算法。常见的特征表示有二进制表示,按氨基酸物化性质分组提取等。采用的预测分类算法主要有矩阵填充,K近邻,支持向量机,逻辑斯蒂卡回归,套索算法等。2.提出了一种基于血凝素蛋白序列的联合随机森林算法(JRFR),用于直接预测甲型流感病毒的抗原性距离。我们的算法结合94种氨基酸替换矩阵及HA1对甲型流感病毒的抗原性距离进行预测,不仅提升了预测精度而且对新的病毒序列的抗原性变异有很好的预测效果。3.提出了一种基于血凝素蛋白序列的矩阵填充算法(BMCSI),用于填充和矫正原本过于稀疏的及含有很多不稳定值的血凝素抑制试验测试数据,从而得以更精确的计算各病毒间的抗原性距离,并通过多维尺度分析(MDS)算法将其抗原性距离映射到二维空间,从而将甲型流感病毒抗原性距离可视化。我们的方法在1968-2003年数据上的预测精度比之前的研究提升了37%(RMSE=0.6586)。