环状RNA（circ RNAs）-RNA结合蛋白（RBPs）结合位点在许多生物过程中起着重要作用。因此,研究RBPs在circ RNA上的结合位点是至关重要的。虽然基于传统机器学习和深度学习的方法已被用于预测circ RNA与RBPs之间的相互作用,但对已有算法还未能充分学习circ RNA的相关特征,也未能进行高效的协作学习。针对上述问题,本文研究两种用于circ RNA-RBP结合位点的识别方法。主要工作如下:1)第一个工作研究了一种基于多视角深度学习、子空间学习和多视角分类器的多视角分类方法DMSK,用于circ RNA-RBP相互作用位点的识别。在现有的预测方法中,主要以circ RNA序列作为研究主体,比如circ RNA序列的结构和组成信息,还没有得到充分的利用。虽然一些方法已经抽取不同的视角来构建识别模型,但如何高效地利用多视角数据进行识别模型的构建还没有得到深入的研究。在DMSK方法中,首先,将circ RNA序列转换成伪氨基酸序列和伪二肽组分,用于分别提取circ RNA的高维序列特征和组分特征。然后,使用结构预测方法RNAfold来预测RNA序列的二级结构,并利用序列嵌入模型来提取上下文依赖特征。接着,将上述构建的四个视角初始特征数据传送给由卷积神经网络（CNN）和长短期记忆网络（LSTM）组成的混合网络,以获得circ RNAs的多视角深度特征。进一步,基于对视角加权的广义典型相关分析（WGCCA）,通过子空间学习抽取出四个视角的共性特征。最后,将学习到的子空间共性特征和多视角深度特征用于给下游的多视角TSK模糊系统分类器的学习,以构建一个基于规则的具有较好解释性的多视角分类器。利用受训后的分类器,可以对新样本预测RBP结合位点在circ RNA上的具体位置。我们的实验研究表明,与现有方法相比,所研究的新方法DMSK预测性能得到了较大提高。2)第二个工作研究了一种新的综合了局部和全局特征学习的新方法LGMK。对于局部特征,使用了新伪氨基酸序列、RNA序列和其二级结构组合、k元核苷酸频率（k-mer频率）和Circ RNA2Vec特征,分别提取氨基酸序列特征、结构特征、上下文特征和连续分布式语义特征。对于全局特征,对各个视角的局部特征进行综合来实现。然后在提取局部视角和全局视角的初始特征之后,利用包含深度多尺度残差网络（DMSRN）和具有自我注意机制的Bi GRUs两个核心模块的混合深度网络,对每个视角的初始特征学习,从中提取出各初始视角对应的深度特征,以构建出局部深度特征和全局深度特征。进一步,利用研究的多视角深度特征数据为下游的分类模型提供多视角的训练数据。基于多视角深度特征数据,引入了基于规则的具有较好透明性和可解释性的多视角TSK模糊系统分类器,来构建出circ RNA-RBP结合位点的分类模块。我们的实验研究表明,通过充分利用局部特征和全局特征,研究的LGMK方法预测性能优于其他对比方法。