随着测序技术的发展,蛋白质序列迅猛增长但其功能结构未知。为了检测未知蛋白质的功能结构,虽然一些预测方法已经被提出,但它们的检测性能仍然有限。作为蛋白质序列分析中最重要的基本问题之一,蛋白质远程同源性检测对理论研究(蛋白质结构和功能研究)和现实应用(药物设计)都至关重要。在本研究中,蛋白质远程同源性检测被视为检索任务,旨在找到与未知查询蛋白高度相关的已知功能结构的蛋白质序列,进而推断未知蛋白质的功能结构。鉴于对比方法之间存在互补性,排序融合策略能够有效的提高检索的性能。本文提出了匹配融合模型,设计了3种代价度量策略来衡量某一序列处于某一位置的代价,这3种代价度量结合Kuhn-Munkres算法构建了三种匹配融合模型。在SCOP标准数据集上进行测试,实验结果表明匹配融合策略能够有效地提高排序的性能,且预测性能优于现有多数方法。针对匹配模型存在的不足和现有排序学习模型未考虑蛋白质序列特征的问题,本文提出了排序学习模型和蛋白质特征结合的方法。2种判别力强的基于序列谱的特征(Top-n-gram,ACC),以4种方式嵌入到排序学习模型中,构建了4个预测模型ProtDec-LTR(ED),ProtDec-LTR(CS),ProtDec-LTR(PC)和ProtDec-LTR3.0,这四个模型因进化信息的引入,有效地提高了排序的性能。ProtDec-LTR3.0通过更细粒度地考虑蛋白质的相关性,进一步提升了预测性能,且预测性能优于现有最佳方法。基于匹配方法和排序学习方法都是排序融合模型,但排序融合模型依赖多个比对工具的信息,代价较大。为此,网络传播模型被采用以提高单个模型的性能。为了解决已有网络传播模型通过工具比对构建相似性网络不准确的问题,在本文中,真实同源关系被利用以构建更准确的相似性网络。6种序列比对方法结合2种网络传播模型(PageRank和HITS)构建了12种预测器,其性能均高于基方法。为了进一步提高排序的性能,PageRank和HITS相结合,作用在最好的基方法HHblits上,构建了HITS-PR-HHblits预测器。在SCOP和SCOPe数据集上测试,HITS-PR-HHblits在标准数据集上表现最优。最后,本文提出的相关方法在独立测试集上验证,实验表明各方法均在独立测试集上取得了稳定的性能。