蛋白质是生物个体的重要组成部分,参与了细胞内所有的生命活动。研究发现,在细胞中蛋白质通常都不是单独存在的,它们往往是和其他蛋白质形成一个整体,即以复合物的方式参与细胞内的多种生命过程。因此,准确识别蛋白质复合物能够帮助生物学家更全面、更深入地了解细胞组成和生命过程。近年来,得益于高通量技术的广泛推广,大量的蛋白质-蛋白质相互作用（PPI）网络数据相继被发现。生物学家根据蛋白质数据间的关系构建了多种PPI网络并将其公开,这为蛋白质复合物识别研究提供了重要的数据支撑。本文首先对蛋白质复合物识别算法的研究背景及意义、国内外研究现状和相关知识与评价指标等内容进行了系统综述。系统分析了当前蛋白质复合物识别算法中存在的主要问题,重点研究如何针对蛋白质复合物识别任务构建高质量的拓扑特征和如何基于表示学习方法缓解蛋白质相互作用网络中的噪音影响。1)提出了一种基于监督学习和拓扑信息的蛋白质复合物识别方法。该方法依据蛋白质间的拓扑关系和基因本体衡量蛋白质间的可信程度,构建加权PPI网络;然后,构建16个具有代表性的PPI网络拓扑结构特征组成复合物的特征向量;最后,基于监督学习框架训练复合物识别模型,实现从PPI网络中高效识别蛋白质复合物,并通过实验分析了不同拓扑特征对于蛋白质复合物识别任务的重要性。实验结果表明,该方法基于监督学习框架,采用构建的PPI网络拓扑特征,能够有效提升蛋白质复合物识别的性能。2)提出了一种基于网络表示学习的蛋白质复合物识别方法。网络表示学习方法对于复杂网络具有深度表示建模能力,能够通过获取网络全局表示信息,从而一定程度地缓解网络中噪音数据的影响。该方法基于蛋白质相互作用网络和网络表示学习方法,生成蛋白质向量表示以及蛋白质复合物的向量表示;然后,采用监督学习框架训练得到随机森林模型,从候选蛋白质复合物中有效识别最终复合物。实验结果表明,引入网络表示学习方法能够高效地挖掘PPI网络中的拓扑结构信息,并有效缓解PPI网络中的噪音数据影响,从而提升后续蛋白质复合物识别的性能。