维生素是许多酶反应中的重要辅酶因子,是人体代谢活动中必不可少的有机化合物。酶是具有生物催化功能的生物大分子,主要由蛋白质组成,对于生物化学变化起催化作用。在健康的人体内,维生素通过与酶分子在合适的绑定位点进行绑定,参与到人体的生化反应中。但对于病人而言,维生素与酶的位点绑定活动不能正常的进行。这些酶便成了许多疾病的药物靶点,因此研究蛋白质与维生素的绑定位点预测问题对于生物制药等相关行业具有非常重要的意义。但是传统的实验室测定方式存在实验工作量大、周期长、代价高等缺点,传统的实验室测定的方式已不能满足当下行业发展的迫切需求,利用智能计算方法来预测维生素作用位点能够提高实验效率,因此当前这类研究具有相当重要的意义。本文主要研究蛋白质与维生素绑定位点预测问题,由于绑定位点与非绑定位点之间数量上相差很大,使得该问题成为一个不平衡学习问题。结合不平衡学习问题的特性以及蛋白质与维生素绑定位点预测的特殊性,本文提出了一种基于K-means算法的改进的下采样方法,称之为MUS方法,本文将该方法与AdaBoost集成技术结合在一起建立了一个蛋白质与维生素绑定位点预测的模型,称作MUS_Vita_AdaBoost。由于不同种类的维生素与蛋白质作用的差异性,本文对维生素A、维生素B、维生素B6以及不区分类别的维生素集合分别进行实验,实验中我们将蛋白质的LogisticPSSM特征和PSS特征组合在一起,在实验中MUS Vita AdaBoost模型取得了较为理想的效果。同时,在与其他相关模型相比较时,本文提出的模型泛化性能更好。