蛋白质结构预测是生物信息学研究领域的热点问题之一，它是关于如何从蛋白质的氨基酸序列出发来预测它的结构、折叠、功能等问题.本学位论文以蛋白质的亲-疏水（HP）格子模型为对象，结合蛋白质的二级结构和改进的遗传算法，计算了9种不同的蛋白质HP序列，搜寻到它们的最低能量构型，并分析它们的性质.　　 首先，我们研究了蛋白质的结构模型及其相关的能量函数.探讨如何求解蛋白质结构折叠过程中的能量函数是整个过程的关键问题.综合目前国内外的研究热点，考虑到蛋白质折叠过程综合了热力学和动力学，及其折叠的随机性和过程的复杂性，本文将已有能量函数与HP格子模型相结合，构建了一种简化的能量函数并提出基于二维HP格子模型的二级结构基本构型.　　 其次，我们研究了遗传算法在蛋白质折叠过程的应用.简单遗传算法并不能保证以概率1收敛到最优解，且人为主观地确定交叉概率和变异概率并不利于最优问题的求解，因此在简单遗传算法的基础上提出了改进的自适应遗传算法，有效地克服了简单遗传算法的不足.我们结合二级结构基本构型，改进了遗传算法盲目搜索策略，改变了原来的随机编码机制，引入对具有连续疏水残基的局部序列进行特定编码方法，并且加入识别遗传操作，及修改相应的交叉、变异，得出有更好适应性的算法，加速算法收敛，得出问题的最优解.　　 最后，我们对9种不同长度的标准蛋白质HP序列进行数值模拟.实验结果表明，我们的算法不仅计算出比其它盲目随机搜索方法更低的能量值，例如序列长度为20、24、25、36、48、50和60的最低能量我们都能达到跟前人一样，但对于序列长度为64的，前人的最低能量是-39，而我们所得的结果是-42，比前人优越得多.同时，我们还发现了一些有趣性质，比如基态构象的多样性，例如序列（长度为24，50，64，85）的最低构象不止一个；各基态构象与HP模型的二级结构基本构型的相似性以及部分结构具有对称性特点等.结果证明我们的改进遗传算法加上二级结构基本构型进行蛋白质结构预测是合理有效的.