蛋白质的空间结构决定着其功能,其空间结构的确定非常复杂。通过前人的研究表明获得蛋白质的结构类,可以确定肽链的折叠形态,从而缩小空间结构自然搜索的范围,为其结构测定提供了方向,节省了许多时间和物力。但结构类的预测准确率一直很低,特别是在低相似性序列数据集上。导致其预测率低的原因在于用传统的方法所提取结构类序列的特征信息中有很多冗余信息。基于此,本文的工作如下:(1)提出了一种基于降维的特征融合和迭代二维小波去噪的预测模型,称之为FU-ERD-IWD(Model 1)。它用来解决在蛋白质结构类预测过程中,高维特征向量融合后计算成本和冗余信息增加的问题。首先用二肽组成和三肽组成提取结构类序列的特征信息,然后用核主成分分析(KPCA)对其降维,将降维之后的特征向量进行融合。之后对融合的特征向量进行二维小波去噪,通过多次迭代去噪,去除特征向量里的冗余信息。虽然本预测模型的预测效果与其他文献有差距,但所取得的预测效果还是行之有效的。(2)提出了一种基于并行二维小波去噪和特征融合的预测模型,称之为PWD-FU-PseAAC(Model 2)。在蛋白质结构类预测过程中提出一种新的融合策略:先去噪后融合,来增强低维特征向量的有效性,使之更容易预测和识别。首先通过两种类型的伪氨基酸组成提取结构类序列的特征信息,然后对这两部分特征向量进行二维小波去噪,去除冗余信息。其次将去噪后的两部分特征向量进行融合。相比另一种融合策略:先融合后去噪,本文所提新的融合策略要更好。并与其他文献中的预测方法相比较,本预测模型的预测准确率更高,而且本预测模型有望应用于生物信息学其他领域。