长链非编码RNA（lncRNA）是一类不编码蛋白、长度大于200核苷酸（nt）的非编码RNA。然而,最近研究表明,部分lncRNA中含有不超过300 nt的短开放阅读框（sORFs）,从而具有编码短肽的能力。植物lncRNA编码短肽在其生长发育过程中起着不可替代的作用,而且对农林生产中植物品质的改善、植物产量的提高具有重要的应用价值,因此,对植物lncRNA编码短肽的研究已经逐步进入公众视野。目前鉴定短肽的方法主要包括生物实验方法和计算方法两种。生物实验方法由于其代价高、实验周期长,导致其不适用于大规模的鉴定。计算方法大多是基于人类和动物数据训练的机器学习模型,一方面相较于人类和动物数据,植物数据较少;另一方面动植物短肽之间存在一定的差异,导致现有的工具难以直接用于植物短肽的预测,因此自适应挖掘植物短肽面临很大挑战。由于经实验验证的植物lncRNA编码短肽数据较少,采用生物信息学软件挖掘植物lncRNA中的sORFs序列,为提高数据可信度,基于逻辑推理的思想进一步筛选数据集;为解决现有工具难以直接应用于植物短肽预测的问题,构建基于特征工程的植物lncRNA编码短肽预测模型。针对机器学习方法涉及过多人工干预,且在新特征难以获取的情形下,模型性能不易提升的问题,提出一种结合多尺度卷积神经网络（CNN）和胶囊网络（Caps Net）的植物lncRNA编码短肽预测模型MConv MCaps,其利用多尺度CNN获取多种类型的初级特征,以丰富特征多样性,并且利用多尺度胶囊网络提取高级特征并自动进行特征聚类,从而实现准确分类预测。首先,为了保存密码子与氨基酸的对应关系,对序列进行3-nts编码;然后,使用多尺度卷积核代替单一卷积核,从多个角度获取主题特征,同时借助多尺度胶囊网络代替单一胶囊,更好地进行特征整合。实验在苔藓数据集上,与传统机器学习模型、单一深度学习模型和简单融合深度学习模型相比,取得较好的分类效果,验证了提出模型的合理性与高效性。另外,采用拟南芥、大豆两个物种的数据集进行独立测试,验证了模型具有良好的泛化能力;采用经验证的lncRNA-sORFs数据进行独立测试并与现有工具进行比较,进一步验证了模型的优越性。