近年来,多肽作为新的诊断药物在治疗人类疾病方面显示出巨大的潜力,其中抗炎肽（AIPs）为自身免疫性疾病和炎症性疾病提供了新的治疗方法。相比于小分子非特异性抗炎药物,抗炎肽具有副作用小和更有效等特点。随着多肽数据的大量涌现,如何准确地识别抗炎肽,对探索抗炎肽内在作用机制和治疗炎症性疾病具有非常重要的意义。虽然越来越多的抗炎肽在传统的实验方法中被验证出来,但是基于实验的方法不仅耗时、费力而且十分昂贵。因此,为了克服传统实验方法的缺点,研究者提出了基于机器学习的计算方法用于预测抗炎肽,这种方法可以更快、更准确地对高通量数据进行识别。本论文针对抗炎肽预测问题,建立了相应的机器学习预测模型,具体工作内容如下:1.基于混合特征选择算法的抗炎肽的预测与分析。为了全面刻画抗炎肽,融合了8种序列特征和4种物理化学特征去编码其信息,然而这使得模型的训练过程变得复杂且困难。特征选择算法能够对高维特征进行优化,得到重要的特征,从而加速模型训练过程、提高模型准确率和增强模型的可解释性。在此,针对抗炎肽预测问题,我们提出一种混合特征选择算法,通过集成增强的过滤式特征选择算法和基于向前搜索的包装式特征选择算法,对融合高维特征进行筛选与优化。最终结合极端随机树（ERT）发展了抗炎肽预测方法PREDAIP（http://github.com/lindan1/PREDAIP）。交叉验证结果显示,相比于融合的高维特征,混合特征选择算法极大地提高了模型的预测性能。与其他现有预测工具在独立测试集上的比较结果显示,PREDAIP是一个可靠的抗炎肽预测工具。2.基于高效的随机特征选择算法的抗炎肽的预测。对于抗炎肽的预测问题,进一步探索新的有效的肽段编码方法。其次我们引入了两种新颖的数据处理技术,即热启动技术（warm start）和冷却技术（cool down）,并将其嵌入传统的随机特征选择（RFS）算法中,得到了一种高效的随机特征选择算法。基于基准数据集,考察了6种传统分类器在抗炎肽预测上的性能。最终利用优化后的特征子集,结合随机森林（RF）分类器,开发了新的抗炎肽预测工具PREDAIP2.0。10倍交叉验证结果和独立测试结果表明,PREDAIP 2.0预测性能稳定可靠。该预测工具可为研究者探索抗炎肽内在作用机制和发现新的抗炎肽提供帮助。