蛋白质是组成生物体的基本物质和生命活动的载体,一切生命活动都是通过蛋白质的功能来行使的。例如,细胞外基质蛋白（extracellular matrix proteins,ECMP）积极地促进基本细胞过程,如分化,增殖,粘附,迁移和凋亡。研究清楚地表明细胞外基质蛋白在细胞黏附,增值和形态发生中起到主要作用。育性蛋白对生殖细胞的发育事件（精子发生、卵子发生）以及分化过程（胚胎发生、器官发生）起调节作用。噬菌体病毒蛋白（phage virion proteins,PVP）是感染性病毒颗粒的基本组成部分,在噬菌体与宿主细胞的相互作用中发挥重要的生物学作用。因此,蛋白质功能及其相关问题具有重要研究意义。近年来,生物科学与技术的迅猛发展使得生物信息爆炸性增长,目前分析蛋白质功能的方法和工具亟待更新,快速精准的预测蛋白质功能是当下最具挑战性的任务之一。为了进一步提升和改善蛋白质功能预测方法的精度和性能,本文基于多信息融合和机器学习,完成的主要工作和取得的成果如下:1.提出了基于多信息融合、弹性网和随机森林预测细胞外基质蛋白的方法—ECMP-RF。该方法首先采用分组重量编码（encoding based on grouped weight,EBGW）、伪氨基酸组成（pseudo amino-acid composition,Pse AAC）、伪位置特异性得分矩阵（pseudo position-specific score matrix,Pse PSSM）、组成、转变和分布（composition,transformation and distribution,CTD）、自相关描述符（autocorrelation descriptors,AD）提取蛋白质序列特征,融合5种特征编码信息构建初始特征空间。其次,使用合成少数类过采样技术（synthetic minority oversampling technique,SMOTE）平衡样本数据,并通过弹性网筛选最优特征子集。最后选择随机森林作为分类器,构建细胞外基质蛋白预测模型。严格的留一法检验表明,在训练集和独立测试集上的均衡准确率分别达到97.3%和97.9%,优于其它细胞外基质蛋白预测方法。2.提出了基于多信息融合和Light GBM的育性蛋白预测方法—Fertility-Light GBM。首先,为了充分的表达蛋白质序列信息,该方法选择6种特征编码（Pse PSSM、氨基酸组成（amino-acid composition,AAC）、二肽组成（dipeptide composition,DC）、CTD、AD和EBGW）提取氨基酸残基信息,将编码后的特征向量进行融合获得初始特征空间。接着,为了筛选出有效特征,提高运算效率,利用最小绝对值收缩和选择算子（the least absolute shrinkage and selection operator,LASSO）选择最优特征子集。最后,将最优特征子集输入到Light GBM分类器中进行预测。五折交叉验证表明,在训练集和独立测试集上的准确率分别达到88.45%和91.48%,预测性能优于主流的育性蛋白预测方法。3.提出了基于梯度提升树-递归特征消除（gradient boosting decision tree-recursive feature elimination,GBDT-RFE）和Cat Boost的噬菌体病毒蛋白预测方法—PVP-Cat Boost。首先,该方法融合进化信息、序列信息和物理化学性质信息,构建初始特征空间。其次,通过GBDT-RFE降低高维数据维度。首次使用SMOTE-ENN（synthetic minority oversampling technique-edited nearest neighbours）削减数据类不平衡带来偏倚影响,提高模型对于少数类样本的学习能力。最后,使用Cat Boost对样本进行分类。通过留一法检验分别在训练集和独立测试集达到了97.93%和87.23%的预测精度。