蛋白质翻译后修饰（post-translational modification,PTM）是指在mRNA翻译后形成蛋白质过程中的一种化学修饰。PTM是增加生物多样性的关键机制,几乎影响正常细胞生物学和发病机制的方方面面,包括细胞分化,蛋白质降解,信号和调节等过程都发挥着重要作用。PTM的相关问题已成为当今蛋白质组学研究中的重要课题,对于PTM位点的全面及准确的识别是目前研究的热点与难点。为了更有效预测蛋白质翻译后修饰位点,有效提升预测精确度,本文基于深度学习,完成主要工作如下:1.提出了一种新的丙二酰化预测模型Malsite-Deep。首先,采用七种特征提取方法对蛋白质序列进行特征提取,得到原始特征空间。其次,运用欠采样Near Miss-2方法对数据进行不平衡处理并通过门控循环单元（Gated Recurrent Units,GRU）的更新门和重置门选择最优特征子集,去除冗余和不相关信息。最后,将GRU层得到的数据输入深度神经网络（Deepneural networks,DNN）中对丙二酰化位点进行预测,并利用十折交叉验证和独立测试集对模型性能进行评估。十折交叉验证表明,训练集中AUC值达到0.99。四个独立测试集中AUC值均达到0.95以上。实验结果表明Malsite-Deep有助于鉴定蛋白质丙二酰化位点。2.提出了一种新的羰基化预测模型PreCar＿Deep。首先,采用六种特征提取方法对蛋白质序列进行特征提取,得到原始特征空间。其次,运用Group LASSO最优特征子集,去除冗余和不相关信息并通过过采样Borderline-SMOTE方法对数据进行不平衡处理。最后,将Borderline-SMOTE得到的数据输入本文构建的深度学习框架中对羰基化位点进行预测,并利用十折交叉验证和独立测试集对模型性能进行评估。结果表明PreCar＿Deep有助于鉴定蛋白质羰基化位点并极大降低实验成本。3.提出了一种新的多种类型酰化位点预测模型PMPA＿DeepTL。首先,通过九种特征提取方法包括AAC,ANBPB,DDE,EBGW,CT,MMI,Hydropathy index,AD和BLOSUM62将蛋白质序列转化为数字信息,并对这些数字信息进行特征融合。其次,对于本文数据正负样本严重不平衡问题利用过采样与欠采样相结合的方法SMOTETomek将数据处理为平衡数据。最后,利用卷积神经网络对琥珀酰化位点进行分类。通过琥珀酰化位点数据集预训练的模型,对卷积神经网络的全连接层进行微调参数,将模型迁移到不同酰化位点数据进行分类。相比于其它预测模型,琥珀酰化位点的数据集在独立测试集AUC值都达到了0.9以上,同时通过微调预训练模型的网络,其它不同类型酰化数据集也都达到了较好的精度,表明PMPA＿DeepTL有助于鉴定蛋白质多种酰化位点。