随着科学技术的发展,新一代测序不断应用于lnc RNA转录本的鉴定与注释,成千上万的生物大数据席卷而来,越来越多的未知领域不断被揭示。然而,lnc RNA与m RNA的结构极其相似,且二者都具有生物学功能,这使得很难从众多转录本中识别lnc RNA。许多验证转录组的实验方法需要大量的时间和资源,各种传统的鉴定实验方法大多是耗时且昂贵的。大量研究表明,通过利用前沿的科学计算方法来识别这些转录序列是切实可行的。本文基于RNA转录本,研究动植物长非编码RNA的预测算法研究,针对现有识别工具及算法所缺乏的扩展性、普适性、容错能力和计算效率等问题,制定lnc RNA鉴定的高效策略,分别设计并实现了基于序列比对、多特征分类、深度学习的lnc RNA预测算法。所做的具体工作归纳如下:（1）设计并实现了基于序列比对的lnc RNA预测算法（Pre Lnc-Seq）。针对传统序列比对算法的优势与劣势,分别从参考数据集聚类去冗余和近似比的序列比对算法,来降低序列比对的时间和空间消耗,并且保证一定的准确率。通过聚类提取同一物种中高置信度的转录本序列作为参考数据集,使用CD-HIT降低算法的时间复杂度和空间复杂度,进而将待预测序列与其中的序列进行相似性比对;其次,设定不同的E值,使用近似比的序列比对算法blast,进行比对;然后,选取最佳的CD-HIT参数及E值,确定最终的lnc RNA预测算法。该算法在一定程度上提高了传统序列比对的预测方法效率。（2）设计并实现了一种高精确度的多特征分类的lnc RNA预测算法（Pre Lnc）。通过分析序列比算法在预测效果和计算时间上的局限性,从机器学习、特征工程的角度来设计预测算法Pre Lnc。首先,使用错误发现率（False Discovery Rate,FDR）调整的P值和Z值分别为动物和植物筛选出核苷酸特征子集,进而与11个重要特征形成候选特征集合;其次,通过皮尔森相关系数去除线性相关的冗余项,得到特征排名列表;使用增量特征选择方法,将F-measure值作为增量,联用逻辑回归、支持向量机、随机森林等多种方法进行比对,最终建立适用于每个物种的平衡随机森林预测模型,并归纳分析生物学相关的结论。与其他工具相比,Pre Lnc可以直接从转录本中计算特征,并且具有一定的可扩展性,通用性和容错性。Pre Lnc具有良好的预测性能,并支持对多种物种的lnc RNA进行预测。（3）设计并实现了深度学习的lnc RNA预测算法（Pre Lnc-LSTM）。将热门的深度学习长短期记忆网络（Long Short-Term Memory,LSTM）网络应用于lnc RNA转录本的预测,设计并实现了基于深度学习的lnc RNA预测算法。首先,对序列进行预处理,进行批量填充补齐、One-Hot编码处理;其次,总结分析多特征分类的预测算法中具有显著分类能力的特征,使用卡方检验来分析CDS百分比（Coding sequence）、序列长度的显著性,并与One-Hot序列编码进行融合;最后,使用keras搭建模型。从预测结果来看,LSTM网络的预测识别能力低于多特征分类的预测模型,LSTM网络对训练数据的依赖性较强。但是,Pre Lnc-LSTM预测算法对于其他物种进行预测的结果来看,更具有一定的适用性优势。