N6-甲基腺嘌呤（N6-methyladenine,6m A）指的是腺嘌呤第6位氮原子的甲基化修饰。6m A在维持细胞正常的转录活性、DNA损伤修复、染色质重塑、遗传印记、胚胎发育和肿瘤发生等生物过程中起着非常重要的作用。传统的实验方法检测6m A耗时、工作强度大且耗费昂贵,很难适合从大量序列中识别6m A。基于机器学习的计算方法可以同时处理多条序列中6m A位点的鉴定,这种方法省时、省力并且效率高,作为实验方法有效的补充,越来越受到生物界的青睐。但是现有的6m A位点识别的计算方法存在分类模型单一、特征单一以及无法进行跨物种识别等问题,为了解决此问题,本研究开展主要工作如下:（1）6m A特征评估和单个模型评估。对现有的DNA序列特征进行评估,选出对6m A位点识别能力较高的5种特征（增强核苷酸组成、核苷酸电子-离子相互作用伪电位、核苷酸化学性质、kmer和核苷酸间隔）构成的较优特征组合,并且使用基于XGBoost特征打分方法进行特征选择,得到较优的特征子集;然后对目前主流的传统机器学习模型和深度学习模型进行性能评估,选出对6m A位点分类能力较高的模型。（2）构建基于集成学习的6m A位点识别模型。针对现有方法中使用的分类模型单一的问题,构建一个基于集成学习的6m A位点识别模型Stack6m APred。基于对单个机器学习模型的评估结果,探索不同类型的集成学习模型,最终构建出一个基于Stacking集成的6m A位点识别模型Stack6m APred。该模型由两层分类器组成,第一层集成朴素贝叶斯、支持向量机和Light GBM等三种主流分类器,第二层使用逻辑回归分类器。（3）构建基于特征融合的跨物种6m A位点识别模型。针对现有方法中过分依赖于先验知识设计人工特征,并且缺少跨物种识别方法等问题,本文构建一个基于特征融合的6m A位点识别模型Fused6m A。本研究从多个数据库中搜集了草莓、蔷薇和拟南芥等6m A数据集,使用三核苷酸编码方式对DNA序列进行编码,构造一个卷积神经网络抽取抽象特征,再融合人工提取的特征,使用支持向量机作为分类器,在多个数据集上进行性能评估,最终构建出一个泛化能力和迁移能力较强的6m A位点的跨物种识别模型Fused6m A。在水稻数据集上十折交叉验证结果表明,使用特征融合策略能够有效提高模型识别性能,准确率比现有方法i6m A-Pred、i DNA6m A和i6m A-DNC分别提高了6.2%、2.9%和0.9%。利用水稻数据集训练的模型分别识别草莓、蔷薇和拟南芥的6m A位点,结果表明,与i6m A-Pred、i DNA6m A、MM-6m APred和i6m A-DNC相比,该模型具有更好的迁移性。