随着生物信息学的爆炸式发展,蛋白质组学的研究进入了后基因组时代。蛋白质亚细胞定位预测研究作为蛋白质组学的热点问题和重要内容,对于研究人类某些疾病的发病原理和药物设计等具有重要指导意义。本文针对蛋白质亚细胞定位预测准确率难以得到有效提升这一问题,研究了基于深度学习算法融合的蛋白质亚细胞定位预测方法,并结合序列数据特点进一步讨论了基于定位位点生成蛋白质序列问题,本文的主要研究内容如下:首先,针对传统的浅层机器学习算法不能对蛋白质序列数据的内在特征信息进行深度挖掘的问题,提出基于深度集成支持向量机（Support Vector Machine,SVM）模型的蛋白质亚细胞定位预测方法。该方法首先利用深度置信网络对蛋白质序列数据进行深度特征表征,然后引入基于Bagging算法的集成学习策略,构建基于深度特征提取的集成SVM模型,以利用不同模型的差异性提升泛化能力。在Deep Loc蛋白质数据集上的预测结果表明,该方法比传统SVM方法具有更好的预测性能。其次,针对蛋白质序列的高度非线性、不等长等特点,提出一种基于分布式编码的卷积循环自注意力机制的蛋白质亚细胞定位预测方法。首先利用蛋白质数据库序列数据进行无监督学习来训练词向量,然后利用卷积神经网络和长短期记忆网络（Long Short-Term Memory,LSTM）提取非线性特征。为了综合考虑长序列特征信息,加入了自注意力机制学习全局特征。另外,考虑到资源以及训练效率问题,设计出时间卷积神经网络来替换LSTM,解决了资源得不到充分利用问题。在Deep Loc蛋白质数据集上的预测结果表明两种策略均不同程度提升了总体准确率。然后,针对目前蛋白质数据库存在大量未标注数据问题,研究了一种基于条件对抗网络域适应的蛋白质亚细胞定位预测方法。首先定义源域数据与目标域数据,然后根据网络模型学习不同域的数据之间的公共特征表示,最后根据在源域数据的训练结果去预测未标记的目标域序列数据。进一步的,为了避免针对不同数据分布的序列从头训练学习,提出一种基于语言模型的蛋白质亚细胞定位预测方法。最后在SWISS-PROT数据上预测结果表明两种策略的有效性与先进性。最后,针对蛋白质序列数据在特定亚细胞定位位点处难以有效生成问题,提出了一种基于反馈生成对抗网络模型的蛋白质序列生成算法。首先利用强化学习Policy Gradient思想去解决蛋白质序列生成中难以反向传播问题,然后为了保证生成序列的高质量,提出一种实时反馈生成的方法。最后利用序列编辑距离方法证明了生成的蛋白质亚细胞序列的有效性。