随着生命科学和计算机科学的迅猛发展,生物信息学孕育而生,并得到快速发展。序列特征编码是生物信息学的一个重要的内容,被应用于生物序列中学习生物序列有意义的数值表示。本文提出了三种序列特征编码方法,应用于三个生物信息问题:首先提出一种基于深度哈希学习的方法以进行蛋白质-蛋白质交互作用预测,然后提出一种基于深度学习和分类树Embedding的方法,用于微生物序列分类问题,最后对Seq Rank进行改进,将生物序列映射到一维特征空间,用以确定中心序列,并将其应用于解决多序列比对问题。主要工作结果如下:（1）基于深度哈希学习的蛋白质-蛋白质交互作用预测方法。为了解决大多数方法需要通过成对比较的方式对蛋白质之间的相互作用关系进行判断而带来的效率低下的问题,本文提出了一种基于深度哈希学习的蛋白质编码模型DHL-PPI,将蛋白质序列编码为二值哈希码,然后利用哈希码进行PPI预测,将PPI判别问题转化为检索问题,避免了蛋白质序列的成对比较,从而提高了检索效率。实验表明,本方法能够较好地识别出具有交互作用的蛋白质对,并且能降低成批蛋白质交互作用预测的时间复杂度。（2）基于深度学习和分类树Embedding的微生物序列分类方法。为了解决现有的基于深度学习的生物序列分类方法的参数量大,且需要设计并训练多个模型的问题,本文提出了一种基于深度学习和分类树Embedding的微生物序列分类方法BSC-TE,首先应用node2vec生成各个分类单元的向量表示,然后应用深度学习模型对微生物序列向量进行编码,生成序列的向量表示,最后根据序列的向量与各个属的向量之间的余弦距离,预测序列对应的属,并分别使用自底向上分类策略进行序列分类。实验表明,本方法能够准确高效地在各个分类级别上对微生物序列数据集进行分类。（3）基于Seq Rank的星比对中心序列查找算法。针对现有方法在确定中心序列时,时间复杂度开销大且找到的中心序列代表性不足的问题,本文对查找中心序列用于星比对的方法Seq Rank进行改进。在本方法中,首先通过二部图随机游走模型计算序列权重,然后将权重最高的序列作为中心序列,最后将中心序列与其他序列进行成对比对,完成多序列比对。本文提出的方法时间复杂度为O（NLlog2NL）,其中N是序列数目,L是序列的平均长度,大大降低了星比对中确定中心序列所耗费的时间。且经过实验验证,本方法所查找到的中心序列用于多序列比对,效果均优于所比较的方法,证明了本方法的有效性。