代谢组学通过分析内源性代谢物种类和含量变化来获知生物体内已发生的生物学事件,在营养科学、精准医学和转化医学等多个领域有广泛应用。超高效液相色谱与高分辨质谱联用（UPLC-HRMS）技术是代谢组学的主要分析工具,可从生物样本中获得丰富的代谢物质谱信号。为了从中提取代谢物信息,首先要识别质谱特征,去除假阳性,减少假阴性,避免丢失低丰度代谢物,提升代谢物的识别覆盖度。其次,要将质谱特征定性为代谢物,以进行生物标志物筛选和代谢物的生物学功能等研究;仅依据质谱信息定性的结果假阳性高,色谱保留时间辅助有助于提高定性的准确度,但数据库中的大部分代谢物缺少保留时间。本文围绕上述问题,研究质谱特征识别和色谱保留时间预测方法,主要内容如下:（1）提出了一种基于信息熵和统计相关性的识别假阳性质谱特征的新方法。该方法首先定义了一种新的信息熵指标来度量提取离子色谱图的质量,研制了基于信息熵指标和统计相关性识别色谱峰谱图的算法,进而识别噪声和非样本源化合物的假阳性质谱特征。对于代谢物标样混合物的UPLC-HRMS数据,该方法去除了超过92%的假阳性质谱特征,同时保留了全部代谢物标样;对于尿样的UPLC-HRMS数据,该方法将质谱特征数量由7182显著地减少到2522,但保留了98%的定性代谢物。此外,在识别代谢物标样混合物和尿样的假阳性质谱特征中,该方法的性能优于RSD和MS-FLO方法的性能。这些结果表明,该方法能够有效去除假阳性质谱特征,保留代谢物质谱信息。（2）提出了一种基于质谱特征相似性图的提升代谢物识别覆盖度的新方法。该方法融合不同峰匹配方法识别的代谢物质谱特征,获取丰富的代谢物信息,建立质谱特征相似性图;通过搜索极大完全子图识别保留时间和质荷比空间上高度聚集的质谱特征,有效去除融合后的冗余信息。在实验中,对于包含41个低浓度代谢物标样的混合物的UPLC-HRMS数据,XCMS、MZmine 2和SIEVE三个峰匹配方法分别识别出19、19和27个代谢物,而本文方法识别出37个代谢物。对于稀释尿样的UPLC-HRMS数据,三个峰匹配方法识别出1360、2455和643个代谢物质谱特征,而本文方法识别出2960个代谢物质谱特征,包括991个低丰度质谱特征;进一步通过离子融合获得1619个代谢物。结果表明,该方法显著地提升代谢物的识别覆盖度,识别更多低丰度代谢物,具有很好的实际应用价值。（3）提出了一种基于加权预训练和迁移学习的化合物保留时间预测方法。该方法在预训练过程中采用互信息评价分子描述符中的特征与保留时间关系,强化分子描述符中的重要特征在损失函数中的作用,提高预训练性能,利用包含大量化合物保留时间的数据集建立高效的深度神经网络预测模型;然后通过迁移学习,利用目标色谱系统中已知化合物保留时间的小样本数据对模型微调,预测目标色谱系统中任意化合物的保留时间。在实验中,基于80038个化合物保留时间的SMRT数据建立深度神经网络,并将其迁移到14个不同的色谱系统,结果表明,在大多数情况下,本文方法的预测性能优于基于DNN、VW-SAE、AE-DNN和GNN-RT的迁移学习性能和机器学习算法RF,GB和LASSO的性能。该方法能有效解决只有少量化合物保留时间信息的不同色谱条件下的保留时间预测问题。133个代谢物标样的注释分析结果表明,该方法在质谱特征定性中具有很好的实际应用价值。