新型冠状病毒肺炎（Corona Virus Disease 2019,COVID-19）是一种由新型冠状病毒（Severe Acute Respiratory Syndrome Coronavirus 2,SARS-COV-2）引起的呼吸道传染病。冠状病毒可跨物种传播到包括人类在内的多种哺乳动物,严重威胁人类健康及公共卫生安全。因此,快速准确地预测冠状病毒宿主分类对于未来防控流行病具有重要意义。本研究从美国国家生物信息中心（National Center for Biotechnology Information,NCBI）病毒数据库中收集数据,从2000年1月1日至2020年9月25日共获得19385条冠状病毒的刺突蛋白序列,将其按照分离物种来源分为人源性和非人源性。使用CD-HIT软件去除重复和冗余序列。分别按照随机划分和采样时间先后划分的方式,将数据集以8:2的比例划分为训练集和测试集。本研究使用蛋白质描述符和自然语言模型Seq2Vec来提取刺突蛋白序列特征,应用多种机器学习方法如支持向量机（Support Vector Machine,SVM）、逻辑回归（Logistic Regression,LR）、随机森林（Random Forests,RF）以及深度学习方法门控卷积神经网络（Gated Convolutional Neural Network,GCNN）建立分类模型。使用训练集进行100次重复的5折交叉验证训练分类模型,并用测试集进行模型评估。最终选择Seq2Vec-GCNN作为最佳模型,其AUC值为0.9818,敏感性为90.06%,特异性为1,准确率为94.45%。选取去重复数据集共3216条序列,将数据按照不同类别宿主分为人类、猪类、禽类、蝙蝠、骆驼和其他哺乳动物共6类,按照收集时间排序后以8:2比例划分为训练集和测试集。使用分布描述符（CTDD）以及自然语言模型Seq2Vec提取刺突蛋白序列特征,并应用多种机器学习方法和深度学习方法使用100次重复的5折交叉验证训练分类模型,最后用测试集进行模型评估。在预测人类宿主方面Seq2Vec-GCNN作为最佳模型准确率高达99.37%,而在预测其他宿主分类方面CTDD-RF模型表现最佳,准确率分别为猪类95.82%,禽类95.96%,蝙蝠98.33%,骆驼92.06%,其他哺乳动物94.01%。以上结果分析得出,基于机器学习方法使用刺突蛋白序列构建预测冠状病毒宿主分类模型是切实有效的,可以及时、快速、准确的预测冠状病毒宿主分类,从而应用到未来的病毒防控中。随着SARS-Co V-2变异体不断出现,宿主类别可能会进一步发生改变,这使得预测冠状病毒宿主分类模型变得极为重要。本研究结果可能对未来预测和防控冠状病毒大流行具有极大参考价值。