认识理解蛋白质结构与功能,对推动生命科学、农业、医疗等领域具有重要的现实意义。蛋白质二级结构预测是蛋白质结构研究的重要环节,利用机器学习对携带有进化信息的位置特异性得分矩阵（PSSM）预测蛋白质二级结构,是生物信息学领域的重要手段。为降低对高质量标注数据的依赖,探索半监督学习对蛋白质序列数据的挖掘,实现二级结构的预测研究,是具有重要的信息学和生物学意义。这类算法的核心是充分挖掘未标注数据的有用信息,并与有标注数据形成高效融合。同时,设计恰当的特征工程方法也将有效提升二级结构的识别性能。本文就该问题开展以下几方面的工作:1.针对位置特异性得分矩阵,设计有效的特征表示方法。也即考虑不同蛋白质氨基酸的进化信息、相邻残基和非相邻残基间的信息,设计多种基于PSSM的特征表示方法,映射（或变换）生成具有较强判别能力的数值特征向量。2.针对特征表示所生成的高维特征向量,考查特征选择在二级结构预测中的作用。也即基于统计信息的过滤法,消除在特征表示过程中产生的冗余和不相关特征,实验比较其对半监督学习性能的影响。3.介绍多种经典的半监督学习算法,尝试将基于阶梯网络的半监督模型应用于蛋白质二级结构预测,并作比较分析。阶梯网络半监督模型是一种融合有监督与无监督模型各自的特点,通过基于降噪机制之上搭建编码器与解码器的沟通“桥梁”,从而实现半监督学习的模型。4.实现实验与比较,对D8244与D640数据集以及三种不同类标比率分组设计,证实在外界条件相同的情况下,阶梯网络半监督模型准确率优于其他经典的半监督模型;另外,优化组合模型参数与特征表示,在条件相同的情况下,将所得模型与传统SVM和RF做比较,发现其性能逐步接近有监督的算法。所研究基于阶梯网络的半监督学习算法在蛋白质二级结构识别中具有一定的实用性,并且前期特征工程能够提升模型性能。因此本文所提方法能够被应用于蛋白质二级结构预测,所研究方法对数据挖掘方法与生物学科学前沿问题的结合研究也有着信息学与生物学意义。