MHC分子在免疫学中扮演着重要角色，该分子与多肽的结合反应是引起T细胞免疫的重要前提，所以MHC分子与多肽绑定预测问题成为了生物信息学中的研究热点。这方面的研究不仅有效的帮助理解免疫过程，也对计算机辅助疫苗设计有着重要作用。本文研究主要有以下三个目的：一.利用集成学习的方法对现有较好的三到四个方法进行集成，以达到更好的预测效果；二.当前主要方法是利用多肽的序列信息，很少利用MHC分子的结构信息，希望整合两方面信息进行预测；三.MHC分子具有高度多样性，不同MHC分子之间既有区别，又有联系，预测那些已知多肽绑定信息很少的MHC分子是一个重要而有意义的挑战。　　针对上述三方面的思考，本文设计实现了TEPITOPEpan模型以及集成分类器。TEPITOPEpan方法是一个整合了结构信息的跨等位基因预测方法，成功的将可预测的等位基因数目扩展到上千个，使得所有已知序列的MHC分子均可通过计算得到特有打分矩阵用于绑定预测。集成分类器成功将现有的表现较好的三个分类器方法进行了集成，从而在实际预测中得到更好的预测效果。