随着单细胞RNA测序（scRNA-seq）技术的日益发展,涌现了海量的测序数据。利用计算方法深入挖掘scRNA-seq数据中的基因表达信息,不仅对于基因调控网络构建、胚胎发育和大脑神经研究具有重要指导作用,还可以为药物研发和临床医疗提供重要依据。而深度学习的发展,使得基于深度学习挖掘单细胞RNAseq数据已经成为生物信息学的研究热点。本课题基于深度学习对scRNA-seq数据信息进行挖掘研究,主要研究内容如下:1.提出基于双重自编码网络的scRNA-seq数据降维方法,称之为sc-bi AE。首先利用经典自编码网络对scRNA-seq数据中的dropout事件进行插补,自编码网络重构数据的过程,可以减少由高稀疏性引起的分析偏差。其次利用降噪自编码网络去除数据噪声并降低数据维度,获取反映数据本质特征的低维子空间。最后通过K-means聚类方法测试模型的有效性。通过四个常用指标结果表明,scbi AE在公共的scRNA-seq数据集上的降维结果明显优于其它十种流行的降维方法。为进一步测试sc-bi AE的泛化性能,本文分析了模型在不同维度,不同训练批次以及不同损失率参数下的结果。最终结果表明,sc-bi AE使用深度学习中两种不同的自编码网络,不仅可以减轻dropout事件造成的影响,而且可以进一步去除scRNA-seq数据中的冗余信息,为聚类分析提供准确信息,甚至sc-bi AE有望为降维其它生物医学数据提供一定借鉴。2.提出基于高斯混合模型和自编码网络的scRNA-seq数据聚类方法,称之为sc GMAI。首先利用深度学习中的经典自编码网络重构scRNA-seq原始数据,减少dropout事件引起的分析误差。其次使用快速独立成分分析去除冗余信息,得到代表scRNA-seq数据本质特征的潜在空间。最后利用高斯混合方法准确聚类并识别细胞类型。通过四个聚类指标结果表明,sc GMAI在公开的scRNA-seq数据集上的聚类性能优于目前流行的scRNA-seq数据分析方法。为进一步测试sc GMAI的性能,绘制了聚类可视化图像、基因表达热图以及差异表达基因信号分析图像。最终结果表明,基于深度学习和高斯混合方法构建scRNA-seq数据聚类模型,不仅可以准确识别scRNA-seq数据中的细胞类型,而且可以为scRNAseq数据差异表达等下游分析提供准确信息。更重要的是,该模型可以应用于大规模的scRNA-seq数据集（比如,十万细胞）。