生物体内的RNA种类繁多,功能各异,非编码RNA作为其中的一员,在生物体内发挥着重要的调节作用,而环形RNA（circ RNA）就是非编码RNA中最具代表性的一类。基于circ RNA的重要生物调控作用和重大的潜在医疗价值,能够准确地识别circ RNA就具有重要的意义。本文通过一种卷积神经网络（CNN）和长短期记忆网络（LSTM）相结合的深度学习算法,设计了一种circ RNA剪接位点的识别模型Deep Circ RNA,并且提供了基于该模型的在线识别工具。随着circ RNA测序数据的数量攀升,越来越多的circ RNA识别软件也随之出现,大大提高了circ RNA发现的准确率和效率,但是他们都是基于测序数据,即RNA-Seq技术,利用比对的方法或者机器学习算法进行识别,这具有如下几个弊端:实验成本高,实验周期较长,准确率不高并且负数据集不多,难以获取。因此,基于当前的研究现状,本文利用深度学习中对于空间特征提取具有优势的CNN和非常适合处理生物序列数据的LSTM,针对基因组数据,即DNA序列,从剪接位点这一角度出发设计了人和拟南芥两个物种的circ RNA剪接位点识别模型,克服了上述提到方法的弊端,具有数据易于获取,无需任何实验和测序成本,准确率高的优点。本文的研究工作和创新内容包括以下四部分:（1）针对人和拟南芥两个不同物种分别选择适合的剪接位点区域的长度,并且将每一个碱基序列处理成一个二维向量,供模型的输入。（2）通常的序列识别问题都是直接将序列向量输入到模型中,本文在单输入,单一自变量的模型基础上加入第二个输入,即GC含量,提升模型的性能。（3）不管是DNA,RNA序列还是蛋白质序列的相关识别研究中通常都是以独热编码作为处理生物序列的编码方式,少有人在circ RNA识别领域去探讨不同编码方式对模型性能的影响,本文实验、分析和讨论了8种不同的编码方式对于模型的影响。（4）设计并且制作了一个线上的circ RNA识别工具,方便相关领域内的人们使用。不仅可以对单组DNA序列进行识别,而且可以实现上传文件的功能,对批量的序列进行识别,同时可以实现简单的可视化功能经过模型的训练,测试和对比,结果表明Deep Circ RNA模型在人的测试数据集上准确率可以达到0.95左右,在拟南芥的测试数据集上准确率可达0.92左右。通过与其他机器学习算法进行比较后,结果显示Deep Circ RNA的表现最优。