DNA是人类及所有生命的天然说明书。自DNA的遗传物质地位被确立后,人类便开展了一系列基因组测序工作。基因测序技术在众多领域都有其用武之地,例如有助于精准医疗的实现、改良农作物、身份鉴定、治愈肿瘤和癌症等。可见,基因测序的研究和发展具有十份重大的意义。从20世纪70年代第一代测序技术脱氧链终止法的问世,到更为精准的第二代高通量测序,再到以纳米孔测序为代表的第三代单分子测序。基因测序技术在岁月流逝中日渐成熟,日臻完善。最新的纳米孔测序技术通过电流信号识别碱基序列,具有低成本、速度快、易携带、实时性、读长长等众多优点。但由于采用了新的测序方式,纳米孔测序仍存在着准确率有待提高的问题。本文参考语音识别,在纳米孔测序数据分析中引入了一种无需电流信号分割的端到端的碱基识别方法。首先,将纳米孔测序仪Min ION针对λ噬菌体的测序数据进行一系列预处理工作,包括质量控制、长度筛选以及比对参考基因校正错误等,构建出模型训练所需数据集,并将数据集分成训练集、验证集以及测试集,用于模型训练,以及模型效果检验。识别模型方面,以卷积神经网络(CNN)与长短时间记忆网络(LSTM)相结合构成基本的前向传播网络结构,以连接时序分类器(CTC)作为损失和解码机制。模型训练过程中,本文对不同网络层数、神经元数目以及卷积核尺寸进行了调节和对比,以选取合适的超参数优化模型性能。在此基础上,本文还引入了批标准化及注意力机制实现模型的进一步优化,并对优化前后模型效果进行比对分析。最后,本文引入了集成模型思想,通过权重参数将基本模型和注意力模型进行融合,构建出集成模型,并验证了不同权重参数下的集成模型效果。经实验验证,本文所构建模型具有良好的纳米孔测序数据碱基识别性能。