病虫害危害植物生长是现代经济作物生产、植物栽培面临的重要不利因素。具有抗逆基因的植物对于恶劣环境有着良好的适应性,因此对于植物抗逆基因的研究有着很重要的意义。迄今为止,已有153条经过生物实验验证的植物抗逆基因应用于转基因、分子育种等方面的研究。由于植物抗逆基因相关的生物实验验证需要花费大量的时间物力乃至人力,因此基于机器学习的植物抗逆基因识别有着重要的意义。本文以植物抗逆基因表达对应的蛋白质序列为正例数据来源,根据其对应的蛋白质家族ID从pfam数据库获取负例样本。经过初步的数据清洗获得不平衡的正负例样本。通过分层抽样的方法来解决正负例样本严重不平衡的问题。提取了氨基酸组成、分布、转化的统计量(188D),Kmer,auto-cross covariance,parallel correlation pseudo amino acid composition(Pse-AAC)等一系列特征。对特征进行组合,使用Max-Relevant-Max-Distance(MRMD)方法对特征进行降维。对提取降维后的特征使用朴素贝叶斯,随机森林、支持向量机分类器对数据集进行训练,使用十折交叉验证获取分类结果的准确率、F1-score、AUC等指标,对分类结果进行结果评估。实验结果表明,使用支持向量机(SVM)算法处理经过组合降维后的特征,能够获得最佳的实验结果;在对于ACC+Kmer+MRMD的组合中取得最高的F1值(0.964),在Kmer+pse-AAC+MRMD的组合中取得最高的AUC值(0.985);其模型对于新数据也有很好的泛化性。最后,本文搭建了植物抗逆基因识别的web公共服务平台,用于促进植物抗逆基因识别的研究。