蛋白质是所有生命体的物质基础,是生命活动的主要承担者。因此,蛋白质组学已经成为人类基因组计划中基因功能性探索的核心研究工作,其中研究各种蛋白质在细胞环境中的作用则是其主要任务。蛋白质功能与其在细胞中所处的位置息息相关,蛋白质在细胞中的核糖体内合成后,根据其功能和特性被转运到特定的细胞器官即亚细胞结构,从而主导细胞的生命特性和整个生命机体的正常运转。因此,蛋白质亚细胞定位研究对了解蛋白质功能、研究细胞代谢运动、人类疾病诊断和新药物研发等方面有着重要意义。近年来,随着荧光显微镜技术的飞速发展,高通量荧光显微镜已经可以自动快速的产生大量多标记荧光蛋白质细胞图像。与传统生物实验或基于氨基酸序列研究相比,多标记荧光蛋白质细胞图像能够将特定蛋白质在细胞中的位置分布准确直观地显现研究。但由于多标记荧光蛋白的混合成像模式,以及部分亚细胞结构成像十分微小等问题,荧光图像中多标记蛋白质的亚细胞结构自动分类模型精度还远比不上专家级的人工标注。本文围绕这一任务,针对多标记荧光蛋白质细胞图像的特征提取模型与多标签分类算法进行研究,提出一种新的有监督特征学习预测模型,在公开数据集上进行实验证明了该模型的优越性,其分类性能优于常用的人工特征亚细胞定位特征集SLFs。本文工作主要为以下方面:(1)详细分析本文所选的人类蛋白质图库HPA的细胞图像数据集,并根据其相关特点进行针对性的数据增广与预处理。选用当前流行的BN-Inception卷积网络结构对图像进行特征学习与提取,结合多标签分类算法中常用的交叉熵损失函数BCELoss对模型进行分类训练。以BN-Inception+BCELoss组合作为本文的基础特征学习模型,通过实验证实该模型的有效性,并以此作为本文网络结构与分类算法的改进基础。(2)根据HPA细胞图像为细粒度图像的特点,介绍并分析了双线性卷积神经网络B-CNN提取细粒度特征的原理,并基于该原理将本文基础网络BN-Inception改进为BF-BNInception网络。该网络通过抽取中间层特征图作为辅助信息的方法,将B-CNN双网络结构改进为单网络结构的同时保持了对细粒度特征提取的有效性,大大减少模型参数的同时提高了分类性能。(3)针对HPA细胞图像数据集中的类别不平衡问题,提出一种可平滑调节的类别权重因子,并将其结合到用于目标检测任务的焦点损失函数FLoss,成为一种多标签分类任务的损失函数BFLoss。将基础分类损失BCELoss替换为本文提出的BFLoss损失,有效缓解了类别不平衡问题对模型训练的影响。(4)对两个改进方法分别进行对比实验,证明改进方法的有效性及其对性能的提升程度。将两个改进结合提出本文的最终模型BF-BNInception+BFLoss,通过与基础特征学习模型BN-Inceptaion+BCELoss的对比实验验证本文针对HPA细胞图像数据集总体改进的有效性。实验结果表明,相比基于手工设定亚细胞定位特征的分类模型,最终模型BF-BNInception+BFLoss大大提高荧光细胞图像的蛋白质亚细胞位置分类精度。本文提出的特征学习模型有助于高通量荧光显微镜快速生成的大批量荧光蛋白图像亚细胞位置注释任务,克服了传统模型自动注释精度不足的缺陷,在生物信息科学研究中具有一定的学术价值。