蛋白质折叠识别和远同源性检测是生物信息学领域中的两个基础问题。通过蛋白质的序列信息来准确的预测蛋白质的远同源物和折叠类别,对蛋白质的功能结构研究以及新型药物的精准设计有着重要作用。本研究中,蛋白质的序列检测问题被视为检索任务,旨在找到与未知查询蛋白高度相关的已知功能结构的蛋白质序列,进而推断未知蛋白质的功能结构。传统基于序列比对的蛋白质远同源检测方法对于序列相似度较低的蛋白质检测性能一般,虽然目前出现了一些机器学习方法来解决这个问题,但对特征的质量依赖较强。而构建蛋白质相似性网络可以进一步提高检测性能,但其十分依赖基排序方法的性能。针对以上问题,本研究通过融合特征到学习排序方法中来提高基排序结果的性能,并构建了基于SCOP拓扑结构的蛋白质相似性网络。最后,将两者融合起来提出了Prot Dec-LTR4.0方法。在SCOP基准数据集上的测试结果表明,该方法能够有效地提高蛋白质远同源性检测性能。虽然排序融合策略在解决蛋白质远同源性检测方面取得了成功。但是折叠识别问题因为序列相似度较低,导致基排序的正样本覆盖率性能一般,获得的特征存在大量缺失现象。针对这个问题,本研究提出了基于SCOP拓扑结构来构建查询-反馈蛋白质对特征向量和特征填充策略,通过学习排序方法生成全局特征并结合支持向量机,提出了Fold-LTR-SVM方法。在SCOP基准数据集上的实验结果表明,该模型提升了预测性能。由于折叠识别中的蛋白质序列相似度较低,导致目前的预测方法性能普遍较低。针对以上问题,本研究基于SCOP拓扑结构和三元闭包原理提出了一种新的蛋白质相似性网络构建方法,该方法通过计算整体序列相似度来替代传统的查询-反馈蛋白质对的相似度。利用学习排序方法将大量的比对打分特征融合起来,然后结合前面构建的蛋白质相似性网络,最终提出了LTR-TCP-FR折叠识别方法。实验结果表明该方法可以提高折叠识别预测性能。