准确预测蛋白质残基接触图可以对蛋白结构装配施加强有力的约束,从而为蛋白质折叠预测及三维结构建模提供重要的帮助。近年来,虽然出现了许多性能优异的蛋白质接触图预测器,但是仍然存在诸多挑战,如:中长程接触图的预测精度依然较低,远达不到实际应用的需求。本文提出一个新的基于集成学习的预测器,称为TargetPCM,以对蛋白质接触图(特别是中长程)实现高精度的预测。首先,本文尝试精简并选取具有互补性的三个基础预测器,并使用加权朴素贝叶斯分类器(Weighted Naive Bayes Classifier,WNBC)融合三个基础预测器的输出,其中WNBC中的权重参数通过粒子群算法优化得到,进而生成基于预测器的特征;其次,本文尝试提取更有效的序列信息来生成基于序列的特征,并和基于预测器的特征进行组合,得到更具鉴别能力的特征;在此基础上,应用更先进有效的分类学习算法极端随机树训练得到最终的蛋白质接触图预测模型,进一步提高预测性能。为了验证TargetPCM的有效性,本文通过在两个标准数据集上与现有的蛋白质接触图预测器进行测试比较,结果表明:对于短程、中程和长程接触,TargetPCM的Top L/5精度均优于现有的蛋白质接触图预测器。而且本文通过在不同的覆盖截止点上深入研究,以及将真实的和预测的接触图进行比较,进一步表明了对基础预测器互补信息的有效利用和极端随机树强大的学习能力使得本文提出的TargetPCM比现有的接触图预测器拥有更好的预测性能。