蛋白质的可溶性是指蛋白质能否以小分子状态溶解于水或其它溶质的能力。可溶性是蛋白质生物物理研究和工业应用成功的重要先决条件,对基于蛋白质的药物设计和食品生产有至关重要的作用。传统生物实验对蛋白质可溶性的测定费时费力,也难以满足蛋白质数量的增长速度。蛋白组数据的累积为基于计算方法的蛋白质可溶性预测创造了可能性,也使之成为一个可选的替代方法。然而,现有方法在表示和挖掘可溶性特征时,仍存在一定的改进空间。因此,本文研究蛋白质特征的表示方法并完成蛋白质的可溶性预测。本文主要工作包括以下几个部分:（一）设计了一种基于Glove残基向量的蛋白质序列特征的表示方法,并设计基于卷积神经网络的可溶性预测模型。与经典蛋白质的特征表示方法相比,基于Glove残基向量的蛋白质序列特征表示在蛋白质可溶性预测问题中表现出更好的性能。这表明了该方法可以有效地表示出蛋白质的结构和顺序信息。（二）设计了一种三通道位置特异性得分矩阵的蛋白质可溶性预测模型。该模型使用三个不同的蛋白质库来生成位置特异性得分矩阵,将它们构建成蛋白质的三通道特征矩阵。然后使用卷积神经网络学习蛋白质可溶性的关键特征,并使用这些特征实现蛋白质的可溶性预测。实验结果表明,三通道位置特异性矩阵特征能够有效提升蛋白质可溶性预测模型的性能。（三）设计了一个融合蛋白质序列特征、氨基酸进化信息及其理化性质的蛋白质可溶性预测模型,以整合不同特征之间的多样性和互补性。该模型首先采用卷积神经网络学习氨基酸序列中的局部关键特征,其次利用双向LSTM网络获取蛋白质序列中的远程依赖关系,最后利用注意力层将不同特征进行有效融合,并用于蛋白质的可溶性预测。实验结果表明,融合特征在蛋白质可溶性的预测任务中取得了优异的预测表现。