蛋白质是细胞的功能分子,通过与其他蛋白质的相互作用,控制细胞中各种生命活动有序、高效地进行。蛋白质-蛋白质相互作用实质上是指来自不同蛋白质的氨基酸之间的相互接触,这些参与相互作用的氨基酸被称为蛋白质相互作用界面,简称为蛋白质界面。准确识别其界面对于理解蛋白质功能、识别药物靶点等具有重要意义。根据蛋白质的序列信息和结构信息,国内外学者提出了多种算法用于蛋白质界面预测。但是,已有方法中氨基酸的表示未能充分利用蛋白质信息,导致预测性能不佳。深度学习通过端到端的方式自动学习样本表示,在图像识别和自然语言处理等领域的诸多应用中取得了理想的效果。鉴于此,本文将深度学习应用于成对蛋白质相互作用界面预测任务。其中,基于深度学习的方法,充分利用现有的蛋白质信息,自动学习氨基酸的有效表示,进而提升蛋白质界面预测的性能。具体地,本文的主要工作如下:（1）针对已有方法未能充分利用蛋白质信息的缺陷,提出了基于混合注意力机制的蛋白质界面预测方法。首先,将蛋白质的序列信息和结构信息视为两个不同模态,使用跨模态注意力机制捕获两个模态间的关联信息,从而得到基于两个模态的不同表示。然后,利用模态级注意力机制融合两个模态的表示得到蛋白质中每个氨基酸最终的特征表示。在三个常用基准数据集上的实验结果验证了本文提出模型的有效性。（2）针对实际应用中蛋白质结构信息未知时不能进行有效的蛋白质界面预测的难题,提出基于蛋白质语言模型的界面预测方法。其中,蛋白质语言模型将自然语言处理中的语言模型架构用于蛋白质序列数据,使用大量无标签蛋白质序列数据对模型进行预训练,用于提取蛋白质的高级结构信息。首先,将配体蛋白和受体蛋白的序列信息分别输入蛋白质语言模型以生成氨基酸的特征表示,然后合并每个氨基酸对的表示用于蛋白质界面预测。在两个常用的基准数据集上的实验结果,表明在缺少蛋白质结构信息时,蛋白质语言模型在某种程度上可以改善蛋白质界面预测模型的性能。