蛋白质是组成人体一切细胞、组织的重要成分,是新陈代谢和细胞生命活动的主要承担者。而蛋白质功能的实现离不开配体的参与,蛋白质只有与配体结合形成稳定的复合物才能实现它的生理功能,金属离子是一种相当重要的蛋白质结合配体,影响着人体中诸多必要的生理进程。因此,对蛋白质-金属离子配体结合位点的预测具有重要意义,这不仅能够完善人类对蛋白质功能实现过程的认识,也有助于从细胞和分子水平上为重大疾病的诊断、预防和治疗,以及靶向药物、分子药物设计等提供重要的理论支持。同时,由于金属离子配体体积小、理化性质较为活跃,预测难度较大。因此,蛋白质-金属离子配体结合位点的预测是一项重要而又复杂的科研任务。基于氨基酸序列信息,引入无序值,添加倾向性因子,通过对氨基酸、氨基酸的物化信息以及预测的结构信息进行提取,得到组分信息、位点保守性信息、信息熵,使用两种深度学习算法对金属离子配体的结合位点进行了预测。具体工作内容如下:（1）使用了深度学习算法之一的循环神经网络（RNN）算法对5种(Zn2+、Fe3+、Co2+、Ca2+、Na+)金属离子配体结合位点进行预测。由于数据集中负集的数量远大于正集,采用了欠采样的手法对数据集进行处理,避免了正负集不平衡对算法的影响,改善了因此导致的预测结果中Sn值较低的问题。在算法学习过程中进行了超参数优化,基于前人经验和科研实践,选取了:隐藏层层数、隐藏层节点数以及批量值这3种超参数进行了优化。超参数优化后,预测结果有了较大的提升,综合4种评价指标,循环神经网络算法在本研究中预测性能好于随机森林算法。（2）虽然循环神经网络算法预测结果表现不错,但欠采样处理后的数据集与实际使用情形还是有所差异。因此,使用了另一种具有代表性的深度学习算法:深度神经网络（DNN）,对两种(Mg2+和Ca2+)碱土金属离子配体进行了预测。经过深度学习算法超参数的优化,预测结果进一步提升,五交叉检验下的预测结果好于较为先进的Ionseq方法。为了进一步证实深度神经网络预测模型的有效性,还将深度神经网络算法运用到欠采样方法处理过的数据集,独立检验下的预测结果好于使用相同数据集的SVM算法。（3）蛋白质序列中除了固定结构的序列片段还存在不确定构象的无序区域序列。因此,本文在6种基础特征参数的基础上,引入了无序值这一新特征参数。特征提取方法上,引入了倾向性因子的提取方式,对结合残基及其物化特征进行了提取。使用深度神经网络算法,预测结果得到了进一步提升。