蛋白质作为生命的承担者,在生物体内负责抗体免疫、激素调节和酶催化等一系列生理功能。构建精确的蛋白质结构模型评估方法作为蛋白质结构预测、结构优化、构象搜索等课题的核心任务而备受关注。精确的结构模型评估方法不仅对于蛋白质构象变化和功能阐述极其重要,同时还能够助力药物设计、疫苗研发、癌症治疗等精准医疗的实施。传统的蛋白质结构模型评估方法主要包括基于物理和势能函数的方法,以及近几年发展起来的基于机器学习和深度学习的方法。这些方法都各有优势,但也存在诸如计算精度无法满足需求、计算速度缓慢、缺乏物理学解释等缺点。鉴于此,本文基于广义溶剂化自由能理论和深度学习方法开发了一种评估蛋白质结构模型的近似自由能方法。从广义溶剂化自由能的角度,将相邻氨基酸定义为目标氨基酸的局部溶剂化环境,通过深度学习模型来学习局部环境和目标氨基酸类别间的关系,并借助贝叶斯推断近似得到广义溶剂化自由能。该方法的特点是兼具基于物理和势能方法的优点,即保证精度与速度的同时,还具有一定的物理意义。在前期研究中,我们发现相邻氨基酸间的角度信息比距离信息贡献更大,并且对角度进行cos和sin形式的转换,能提高目标氨基酸2%的类别预测准确率。针对类别预测概率较低的问题,我们还从结构尺寸大小、氨基酸类型等角度讨论,证明不同种类氨基酸的数目不均衡对其类别预测存在消极的影响。随后,尝试通过采样和扩大数据集的方式解决这一问题。并且还根据天然结构的分辨率和同源相似性,构建了不同冗余条件的数据集,以此研究数据集对氨基酸类别预测和评价分数的影响。最终,我们在考虑平衡结构数目和预测表现的情况下,选择Res3-Pc50数据集训练的神经网络来评估蛋白质结构模型。除此之外,我们还发现不同氨基酸间的结构相似性也是限制预测准确率提升的一个重要因素。在比较不同打分函数的性能方面,虽然我们的方法在诱饵构象标准集CASP5-8、CASP10-13、CASP14中均取得了最好的天然结构识别的表现,但仍然有部分天然结构无法被识别。经过分析,我们发现无法识别的结构与其质量和解析方法间存在联系,并为此使用核磁共振解析的蛋白质结构来重新训练神经网络,使得诱饵集内结构类型为NMR的天然结构的得分排名进一步提升。在诱饵模型鉴别方面,当诱饵模型有较高TM-score值（0.8～1）时,评价分数与TM-score有更大的皮尔森相关性系数。