近年来,随着高通量生物技术的不断应用,由此产生了大量的蛋白质序列信息。但为其进行注释一直都是通过生物实验来进行。通过计算机来大量处理生物数据并提供指导信息将极大的加速这个过程,特别是蛋白质亚细胞位置信息,其与蛋白质功能密切相关。本文采用当前较为流行的模式识别方法来进行人类蛋白质亚细胞定位预测。为了较好的描述蛋白质序列信息,本文采用较为全面的伪氨酸组成位置特异性分数矩阵(PseAAPSSM)来提取人类蛋白质序列特征信息,但特征数据维数较高并富含冗余和噪音。为了提升数据的相关性,降低数据冗余,本文创新性地在此领域引入非线性降维算法核熵成分分析(KECA),并与经典的核主成分分析来进行对比研究。核熵成分分析通过计算由特征值和特征向量共同表出的信息熵来判断每个投影方向的贡献。而核主成分分析(KPCA)只通过特征值的大小来衡量每种成分的贡献,忽视了投影中特征向量的作用。在对特征数据进行降维之后,本文分别用经典的传统分类器KNN和多标签分类器OVR-KNN来进行预测。经过Jackknife验证之后,通过KNN预测的基于高斯核KECA的分类算法大部分亚细胞位置的预测当中要优于基于高斯核KPCA的分类算法,但是在某些亚细胞位置,特别是中心体,其预测准确率较低甚至为零。而通过多标签分类器OVR-KNN,在较大范围的核参数变化中发现基于高斯核KECA的分类算法要优于基于高斯核KPCA的分类算法。为了更进一步研究KECA中核的影响,本文对KECA中组合核函数进行了一定研究。由于通过高斯核映射将主要保留局部信息,通过多项式核映射将主要保留全局信息,本文通过将两种核函数进复合并进行多标签设置下的人体蛋白质亚细胞定位实验发现,复合核函数在保留数据特征信息方面要优于单核核函数。