高等动植物的大部分基因在转录过程中存在可变剪切,从而形成同个基因的不同转录本调控生物学过程。不同转录本的功能不尽相同,甚至有些发挥截然相反的作用,所以了解所有转录本的信息对深入研究基因调控机制至关重要。目前已有基于机器学习的可变剪切识别方法报道,但已有方法主要偏向于二代短序列RNA-Seq数据的识别检测。近年来三代全长转录组测序技术逐渐被广泛应用,本研究针对Pac Bio三代全长转录组数据,提出了基于深度学习的可变剪切识别的二分类模型,该模型将dna2vec词嵌入,CNN卷积神经网络和bi-LSTM双向长短期记忆神经网络三种算法进行整合优化,以识别可变剪切位点。通过人类、猪、小麦和拟南芥等四个物种的全长转录组数据训练和测试新方法,最后将新方法应用于木本毛果杨的三代全长转录组数据分析。主要研究结果如下:（1）建立和评估了用于深度学习模型的RNA序列信息的数值向量的输入模型One-Hot编码与dna2vec词嵌入,通过人类和拟南芥的数据集分析表明dna2vec词嵌入方法优于One-Hot编码,是有效适用模型。（2）构建了识别剪切位点模型,该模型的前三层为CNN卷积神经网络,可以深入提取序列特征,第四层为bi-LSTM双向长短期记忆神经网络,能捕获序列前后的信息,最后使用sigmoid激活函数得到序列预测的概率。（3）使用人类、猪、小麦、拟南芥等四个不同物种的全长转录组数据集,对模型性能进行总体评估,精确召回曲线下面积和特征曲线下面积的值大于0.9,评估结果表明模型性能良好。与已有的AStrap方法进行比较,新模型的精确度、召回率、F1分数、准确值都有不同程度的提高,说明了本模型具有稳定性和通用性。并且提取了模型中CNN卷积神经网络第一层的特征输出,转换为PWM位置权重矩阵,进行可视化模型的特征学习。（4）将新模型应用于毛果杨的三代全长转录组的数据分析,4个模型评估指标值均在0.9之上,并对模型学习到的保守序列和特征序列进行GO和KEGG的功能注释分析,结果表明毛果杨的可变剪切序列显著富集的通路与DNA的修复有关。