膜蛋白是细胞功能的主要承担者,其功能与其结构类型密切相关,因此,膜蛋白类型的鉴定是生物信息学中的一项重要课题。传统的生物实验是鉴定膜蛋白类型的最可靠方法,但它效率低、成本高。随着后基因组时代的到来,大量未注释的膜蛋白被发现,使用传统生物实验难以鉴定所有的膜蛋白的类型。基于计算的方法可以有效提高膜蛋白类型鉴定的效率,并降低成本,机器学习方法就是常用的方法之一。已有的膜蛋白特征提取方法主要从膜蛋白序列信息中提取特征,本文提出了一种基于蛋白质二级结构信息的膜蛋白特征提取方法,并将其融入现有的序列特征。通过对比实验结果表明,融合特征的分类效果优于原始序列特征。最后,基于集成学习方法构建膜蛋白分类模型。本文主要工作如下:（1）基于蛋白质二级结构信息提取膜蛋白特征。本文基于蛋白质3态二级结构序列提出拆分蛋白质二级结构组成的特征提取方法。通过对比实验发现从蛋白质二级结构中提取的特征与从蛋白质序列中提取的特征有互补性。（2）融合蛋白质二级结构特征与序列特征。为了使提取到的特征包含更多的隐藏信息,本文将伪氨基酸组成和拆分氨基酸组成两种序列特征分别与蛋白质二级结构特征融合,得到两种新的膜蛋白特征提取方法。并通过对比实验证明了融合特征方法的有效性。（3）构建膜蛋白集成学习分类模型。为了进一步提升模型的预测精度,融合三个特征,基于Voting和Stacking两个集成学习框架,使用随机森林、支持向量机和K近邻作为基分类器,构建膜蛋白分类模型。实验结果表明,集成学习方法有效的提高了模型的预测精度,优于现有的几种膜蛋白分类的机器学习模型。