关键蛋白质对细胞存活来说是必不可少的,鉴别关键蛋白质可以增强我们对细胞工作原理的了解,并且关键蛋白质的鉴定在生物学和药物设计的研究中起着至关重要的作用。当前,研究者们已经提出了一些通过引入有效的蛋白质特征来识别关键蛋白质的机器学习方法和集成学习方法。这些方法使用的有效蛋白质特征是从蛋白质-蛋白质相互作用网络数据中提取出的网络拓扑特征和一些其它的生物学信息特征。但是,这些集成学习方法只是通过简单平均加权将多个基分类器结合起来,它们的研究内容主要是在基分类器的挑选方面。因此,在使用集成学习算法来识别关键蛋白质这一方向仍然有研究的价值。在本论文中,我们研究出了一个新型的集成学习框架Multi-ensemble来识别关键蛋白质。该模型采用了多视图学习的思想,通过集成多个不同的基分类器来提升模型的识别性能。模型中基分类器的训练样本并不是固定不变的,而是由其它基分类器所决定,通过不断添加其它基分类器认为是高质量的样本数据到训练集中来训练基分类器。同时,使用一个新的逻辑回归分类器来集成这多个基分类器,从而得到最后的预测结果。实验数据选择了酿酒酵母数据和大肠杆菌数据。实验结果显示,本论文的方法取得了更好的识别结果。同时,为了更好地鉴别关键蛋白质,本论文在Multi-ensemble模型的基础上增加了特征提取工作。由于胶囊神经网络可以提取出空间特征,因此本论文使用了胶囊神经网络提取出16维特征向量,作为增强特征,将其与原始特征数据结合作为Multi-ensemble模型的输入数据。实验结果表明,添加增强特征后,模型的查全率、查准率和F-Score都提升了12%,准确率提升了5%,AUC提升了8%,能更有效的鉴别关键蛋白质。