植物长非编码RNA(lncRNA)主要通过与RNA结合蛋白的相互作用,在许多生物过程中发挥着重要作用。为了了解lncRNA的功能,一种基本方法是鉴定哪种类型的蛋白质与lncRNA发生了相互作用。但是常规的生物实验方法虽然准确率高,但是需要耗费大量的时间和费用,实验如果没有明确的目的,那在巨大数据量面前的效率很低。机器学习模型的提出为解决此类问题提供了一个良好的思路,利用计算机的运算能力去先行预测,再有目的性的进行生物实验进行验证,大大提高了工作效率。但是传统的机器学习模型必须人工进行特征选择和提取,受人为因素影响较大,而深度学习模型能够自动提取特征并进行分类,进一步提高的预测结果的准确性。本文提出了两个深度学习模型,第一个模型仅使用序列信息,将堆叠去噪自编码器作为基本模型,将梯度提升决策树作为分类器,并使用逻辑回归对结果进行微调,命名为PLRPI。通过实验证明其在拟南芥和玉米数据集(ATH948和ZEA22133)上的结果较好,预测准确度分别为90.4%和82.6%;第二个模型使用序列和结构信息,将堆叠去噪自编码器和卷积神经网络作为基本深度学习模型并对结果进行集成,命名为PRPI-SC。通过实验其在同样的数据集上上也有较好的表现,预测的准确度分别为88.9%和82.6%。PLRPI和PRPI-SC在一些公共RPI数据集上也表现良好。这两个模型能够准确预测植物lncRNA与蛋白质之间的相互作用,并且各有侧重点,对研究植物lncRNA的功能和表达起着指导作用,对非植物数据也具有很强的泛化能力和良好的预测效果。