在计算生物领域中,精确识别基因组中的三维组织十分重要。比如预测增强子-启动子之间相互作用（Enhancer-Promoter Interactions,EPIs）任务,对于理解基因调控、细胞分化和疾病机制具有重要的意义。近年来,基于机器学习的计算方法因其良好的预测性能被广泛应用于EPIs的预测任务中。虽然现有模型已经取得了一定的成果,但是仍然存在一些问题。例如模型无法学习到更多的序列信息;模型结构过于简单导致难以提取更多有效特征;模型无法捕捉序列之间更多的交互信息。为了解决上述问题,本文基于深度学习方法对EPIs进行预测,致力于提高EPIs预测任务的性能和训练速度,主要的贡献如下:首先,本文提出了一种基于BERT的模型EP2bert来预测EPIs。EP2bert先是基于BERT预训练来学习DNA序列的特征表示,接着分别提取启动子和增强子的特征表示,然后以此训练分类器来预测EPIs。本文使用基准数据集（六个细胞系）来评估EP2bert与现有模型的性能。实验结果表明,在一些细胞系中EP2bert优于现有模型,并且训练速度快。然后,本文又提出了一种基于深度学习和启发式匹配的模型EPI-DLMH来预测EPIs。EPI-DLMH主要分为三个步骤:首先,通过多层卷积神经网络学习序列的局部特征,接着利用双向门控循环单元网络捕捉局部特征的长期依赖性。其次,利用注意力机制来聚焦其中相对重要的特征。最后,引入启发式匹配机制来提高模型的性能。实验中同样以基准数据集评估EPI-DLMH与其他模型的性能。实验结果表明,EPI-DLMH在所有细胞系中都优于现有模型,并且在一些细胞系中提升较大。本文提出的模型都有优秀的预测性能并具有不同的优势。EP2bert模型基于BERT预训练可以学习到DNA序列的全局上下文信息,而EPI-DLMH通过混合神经网络结合启发式匹配机制可以提取更多的有效特征和序列交互信息。