circRNAs（Circular RNAs,环状RNA）,是一类特殊的非编码RNA。存在于细胞内也游离于细胞外,其特殊的环状结构使得其稳定性较强。因为circRNA在肿瘤细胞有特异性表达所以其可以作为临床的肿瘤标记物,而RNA序列的识别是鉴定circRNAs标记物的首要步骤,然而传统的鉴定方法是基于RNA序列的生物表达特征或者和已有的RNA序列库做比对,结果存在一定的假阳率和对RNA片段的判断不准确。近年来人工智能技术发展迅速,成熟的深度学习神经网络已在实践中得到了较好的应用。本文利用深度学习技术,将RNA整个序列作为特征输入到深度学习模型,最后输出特征向量预测RNA序列类别。这种端到端的算法模型降低了程序上的复杂度,且可以很好的挖掘序列特征达到准确识别分类的目的。本文收集了人类的circRNA和m RNA分别作为实验的正负数据集,总共约40,000条RNA序列数据。实验将40,000条数据按9:1的比例划分为训练集和测试集,采用one-hot或word Embedding方式编码,然后分别用LSTM（Long Short-Term Memory长短时记忆网络）、Text CNN（Text Convolutional Neural Networks,文本卷积神经网络）、Text RCNN（Text Recurrent Convolutional Neural Network,循环文本卷积网络）、Transformer和ELMo（Embedding of Language Model）五种不同的模型构建circRNA预测模型。其中LSTM是经典的循环神经网络,在一定限度内保存了序列在不同位置上的信息。本实验采用单层单向的LSTM模型作为第一种模型的主体结构,测试集的准确率达到97%。Text CNN采用CNN卷积神经网络模型,其在序列的局部位置上表现突出。本文采用了四种不同尺寸的卷积核作为highway网络模型,测试集的准确率达到98%。Text RCNN则综合了前两者的优点,先通过RNN循环神经网络编码再进入CNN卷积神经网络,本文通过序列移位的方式将单输入变成三输入,简化了计算循环网络步骤,测试集的准确率达到98%。Transformer则引入了attention机制的和大量神经网络技巧的大型网络,本实验在原有的Transformer部分稍作改动获得较为轻量级的Transformer测试集的准确率达到89%。ELMo是一种预训练模型,本文的一大特点就是在RNA预测模型上引入了预训练模型。本文通过切分和编码序列导入ELMo模型训练预训练模型参数,在下游任务通过预训练模型获得序列在上下文环境的词向量嵌入,经过线性组合简单分类取得95%准确率。本文在每个模型小节详细讨论了该预测模型在RNA序列识别的特点和不足以及可能需要改进的方向。同时对比了每个模型的最终准确率曲线和损失函数下降曲线,分析了每个模型的使用场景。并且使用Django框架将五种模型部署到线上,构造API接口。最后我们对所有模型做了技术总结,对人工智能技术在RNA序列识别方面做了展望。