人类的繁衍主要通过基因的复制和转录来进行,其中转录终止子序列和复制起点序列是管控其进程中不可或缺的一部分。解决相关的序列预测问题,不仅可以优化基因组注释,还可以帮助治疗相关的基因型疾病,但是传统的生物学实验耗时久且准确率不稳定。因此本文基于生物序列的信息特征并结合机器学习分类模型对不同物种的DNA转录终止子序列以及复制起始位点序列展开了研究,主要的研究内容如下:（1）终止子序列可以管控DNA转录的终止,它在基因型疾病诊断和治疗中具有相当大的应用价值,到目前为止准确的预测方法是非常缺乏且迫切需要的。在这项研究中,共收集了大肠杆菌以及枯草芽孢杆菌的数据并尝试了五种特征提取方法（一型伪核苷酸组分方法、二型伪核苷酸组分方法、K-pwm、Base-content、Nucleotidepro）。之后,采用了two-step来筛选有效特征。在基于最优特征集训练时,比较了五个单一模型和四种多分类器融合模型。最终,本文提出了一种针对于大肠杆菌和枯草芽孢杆菌的终止子预测方法“iterb-PPse”,它将47个核苷酸性质整合到两种伪核苷酸组分方法中,并利用极端梯度提升法对终止子序列进行预测。结果表明,经过100次五折交叉验证,该方法在训练集上的预测准确率达到99.88%。（2）复制起点代表DNA开始复制时的起始位点,它是亲子间的信息遗传中极为关键的一部分。更重要的是准确地识别复制的起始位点在遗传信息错误等疾病的诊断和治疗中有巨大的应用价值。因此本文利用机器学习对多种真核生物的复制起始位点识别展开了研究,并针对每一个物种提出了独特的预测方法。在这项研究中收集了7个物种的数据,包括人类、毕赤酵母、小鼠、裂殖酵母、果蝇、乳酸克鲁维酵母、拟南芥,并尝试使用了三类特征提取方法（TF-IDF、二型伪核苷酸组分方法、Base-content）提取序列信息,然后使用two-step进行了特征选择。在比较了多种传统的机器学习分类模型之后,最终基于多层感知机为每一个物种设计了最优的分类方法。经过100次五折交叉验证的结果表明,本文设计的方法对上述7个物种的训练集的预测精度分别达到92.60%、90.86%、91.22%、96.15%、94.20%、99.86%。