近年来高通量实验方法快速发展,随之产生大量新型蛋白质,发现的蛋白质数量与其功能注释之间的差距越来越大,蛋白质功能预测成为分子生物学研究领域的核心问题。传统的蛋白质功能预测方法耗时且昂贵,依靠单一数据源的特征信息表达不全面,因此如何选用合适的机器学习方法,构建有效的模型来融合多种生物数据,对预测蛋白质功能具有重要意义。由于只使用单数据源时预测能力有限,本文利用机器学习的方法提取多种数据源特征,对蛋白质功能预测问题进行探讨和研究。首先,针对仅使用网络结构不能全面描述蛋白质信息的问题,提出基于SVM和多源数据的蛋白质功能预测方法,选用蛋白质相互作用（PPI）网络和蛋白质序列两种信息源,从不同角度提取蛋白质特征并采用结果融合策略进行分类预测。使用深度自动编码器融合多个异构PPI网络进行节点特征学习,利用支持向量机分类预测;再利用位置特异性打分矩阵和高斯核相似度获得序列相似网络,计算最大相似概率获得序列的类别概率向量。最后融合两种类别概率向量,利用支持向量机进行分类。多种信息源的结合有效提高了正确注释蛋白质功能的准确率。其次,针对蛋白质网络数据稀疏性问题,提出基于网络和节点属性的蛋白质功能预测方法,综合考虑拓扑结构、序列网络和属性特征以实现节点的准确分类。通过使用自动编码器表征PPI网络特征、用变分图自动编码器表征序列网络、节点属性的特征,融合这三种特征,并利用支持向量机分类预测。不同网络和节点属性的特征融合,增强了蛋白质信息的有效表示。最后,在真实的数据集上进行实验验证,对预测模型性能进行评估,通过多组对比实验分析证明基于机器学习和多源数据的蛋白质功能预测方法的有效性。