新型冠状病毒（SARS-Co V-2）是一种RNA病毒,其Spike蛋白的受体结合域（RBD）与人类ACE2受体结合,从而介导病毒进入细胞。随着新型冠状病毒在全球的持续爆发,出现了大量RBD区域组合突变（相对于野生株）的新毒株。已有研究表明,RBD-ACE2的结合亲和力与新型冠状病毒的侵染能力相关。然而,通过生物试验方式获取突变毒株RBD-ACE2结合亲和力费时费力,且远远落后于突变株序列的积累,不能满足对病毒实时监控的需求。因此,为了快速准确获取具有组合突变毒株的结合亲和力,本文从定性和定量两个角度,分别设计深度神经网络模型用于预测RBD-ACE2的结合亲和力,为进一步实时监控突变株感染能力和传播能力提供依据。本文主要研究工作如下:（1）在RBD序列的分布式表示基础上,将蛋白质理化性质和RBD蛋白表达水平作为辅助特征融合到RBD的序列特征中,结合梯度提升决策树和卷积神经网络,建立RBD-ACE2的结合亲和力定性计算模型,定性预测突变毒株的结合亲和力。在真实数据集上对模型进行训练和评估,实验结果表明多种特征融合有助于提升病毒的分类效果。其次,将训练得到的模型应用到监测发现的关注变异株的结合亲和力分析上,进一步验证该模型在结合亲和力定性计算上的有效性。（2）以RBD序列为主要特征,结合卷积神经网络、循环神经网络与注意力机制,设计RBD-ACE2结合亲和力定量计算模型。首先,在真实数据集对模型进行训练和评估。其次,将训练得到模型应用到监测发现的关注变异株的结合亲和力定量分析上;通过对比文献公开值和模型预测值可以看到,该模型可以有效地计算具有组合突变的变异株的RBD-ACE2结合亲和力。（3）以本文设计的预测模型为基础设计开发了一个RBD-ACE2结合亲和力预测平台。该预测平台有登录模块、数据上传模块、数据管理模块、预测模块、统计分析模块,直观地体现了本研究的现实意义,也展现本文设计模型的实用性。