蛋白质结构和功能的研究是现代生物信息学和计算生物学中最重要的主题之一,常使用数据挖掘和机器学习方法来执行预测或模式识别任务,帮助进行实验分析。近年来,深度学习在序列分析领域内得到了广泛应用,但还存在训练时间长、并行性差的问题。集成学习算法不仅可以高度并行化节省训练时间,还可以快速提升简单模型的整体预测准确率,但集成学习方法结合神经网络的方向则较少人研究。针对此,本文基于集成方法Bagging、Boosting和Stacking以及神经网络CNN,研究蛋白质二级结构预测中的8态分类问题,论文的主要贡献如下:(1)提出一种基于Bagging与CNN的混合模型。该模型用深度CNN代替传统的简单分类器如SVM,并行地训练多个深度CNN并用相对多数投票法统计它们的预测结果,有效提高了预测准确率。进一步地,提出新的分类器系数计算方法和特征选择方法以提高模型的整体预测能力。实验结果表明,使用深度CNN作为同质弱分类器的Bagging模型将二级结构预测准确率从单一CNN的66%提高至73%。(2)提出一种基于Boosting与CNN的混合模型,其中使用Adaboost作为Boosting的实例。该模型以多个CNN作为同质弱分类器,并使用SAMME方法优化Adaboost模型。进一步地,提出结合Bagging方法集成多个Adaboost强分类器的混合模型。实验表明,该算法在训练中可达到97.00%的准确率;预测准确率最高可以达到77%。在公共数据集CB513上可达到74.29%的准确率,超过了当前研究最高的70.3%。(3)提出一种基于Stacking与CNN的混合模型。该算法以K折交叉验证法划分数据集,训练过程融合了Bagging和Boosting的特点,还可以叠加多层的异质弱分类器以提高模型的特征提取能力。进一步地,提出依据蛋白质序列长度划分原始数据集的划分方法结合原来的混合模型。实验表明,该算法可以进一步提高异质弱分类器的预测准确率,使用序列长度划分方法结合Adaboost模型,在公共数据集Cull PDB上可达到76.71%的准确率,超过了当前研究最高的74.0%。