染色质在细胞核内高度螺旋折叠,其三维结构与细胞内的基因表达调控机制密切相关,分析染色质各级三维结构的变化与细胞功能之间的关系已成为基因表达调控研究的一大热点。单细胞Hi-C数据是表达单个细胞核内所有染色质空间结构信息的数据,是研究异质细胞之间染色质各级三维结构差异的重要数据来源。挖掘染色质三维结构与细胞基本功能的关系需要明确每个细胞的类型,而进一步挖掘更紧密的关系,则需要在同类型细胞中明确细胞的周期。使用传统生物实验预测批量测序的细胞类型以及细胞的周期会耗费大量的人力、时间成本,极大的限制了染色质三维结构差异下游分析及相关算法的发展。而使用计算方法在单细胞Hi-C数据中预测细胞的生物学属性,具有效率高、操作简易等优点,可以为单细胞Hi-C数据研究提供强力的技术支撑。因此,本文以单细胞Hi-C数据为对象,基于染色质三维结构特性和集成学习方法研究单细胞Hi-C数据细胞类型和细胞周期预测算法,主要的研究工作如下:（1）构建基于集成学习的细胞类型预测算法针对目前面向单细胞Hi-C数据的细胞类型预测算法在预测细胞类型方面存在的预测结果不直观、预测精确度不高的问题,本研究基于集成学习构建有监督学习预测细胞类型算法scHiCStackL。本研究首先基于染色质三维结构特性对已有的细胞嵌入生成方法进行改进,然后基于Stacking集成学习构建预测细胞类型的集成模型。通过与scHiCluster、HiCRep-MDS、Raw＿PCA＿Ridge以及Decay＿PCA＿Ridge算法进行实验对比,scHiCStackL算法在人类细胞Hi-C数据集上的Acc值比性能次好的方法Raw＿PCA＿Ridge高出9.2%,ARI值、NMI值、F1值比性能次好的方法scHiCluster分别高出11.9%,10.2%,10.6%。（2）构建基于集成学习的细胞周期预测算法针对目前面向同类型细胞的细胞周期伪轨迹构建算法在预测细胞周期时无法直观地得到细胞的周期阶段,且预测精确度不高的问题,本研究基于集成学习和多尺度相互作用信息构建面向同类型细胞的细胞周期算法scHiCycPred。从不同的相互作用信息尺度,scHiCycPred提取了三种表示细胞内染色质三维结构信息的特征集,然后构建了基于多种特征集成的Stacking模型。与CIRCLET、MCM＿FCNN、INS＿1DCNN、scHiCStackL和Nagano等算法进行五折交叉验证和独立测试对比,对比结果显示scHiCycPred算法在Acc值上比性能次好的算法MCM＿FCNN高出3.8%和5.1%,在MCC值上高出5.1%和6.7%,在F1值上高出3.8%和5.1%。