蛋白质在生命系统中发挥各种重要的作用,参与包括催化代谢反应、刺激反馈等在内的各种生物过程,这与它独特的天然结构细节具有密切的关联。可测定天然结构的实验技术由于其耗时耗力且完全无法跟进蛋白质测序技术发展的脚步,从而产生仅通过氨基酸序列来预测目标系统三级结构的计算方法。作为结构预测中应用更为广泛的从头计算方法,所有可能结构填充的构象空间的高维性和表征任意一个构象势能状态的能量函数一直以来都是两大研究壁垒。针对这两大挑战,本文基于基本的进化算法研究了蛋白质构象空间的搜索方法,并结合机器学习技术提出了基于多层次信息融合的蛋白质结构预测方法。具体工作如下:第一,基于优化搜索的诱饵构象评估管道技术Evo P。针对蛋白质构象空间高维且连续这一本质特性,为了提高诱饵结构采样的效率和结果构象集的质量,提出了一种优化搜索的构象评估策略管道技术。该管道涵盖了种群更新、构象空间优化和片段库动态优化三个策略,为基于残基分布与二级结构的构象重采样算法和基于多层次信息融合的蛋白质结构预测方法提供高质量的采样起点,有助于减小搜索空间并覆盖尽可能多的低势能区域。第二,基于残基与二级结构的构象重采样算法SDSS。针对进化计算领域用于解决复杂搜索和优化问题的随机搜索算法的易收敛问题,通过粗粒化和片段替换技术的结合,本文基于氨基酸序列分布、残基二级结构类型和构象的结构多样性构建了多个离散的评估模型,并提出了一种构象重采样算法SDSS,在Evo P的框架下以实现减小目标系统构象空间和提高更高质量诱饵结构采样能力的目的。实验表明,通过与主流的从头计算协议Rosetta和QUARK对比,该算法在10个目标系统上获得的第一个聚类结构的平均TM-score结果比Rosetta和QUARK方法分别高了2.6%和3.7%,即更接近于实验测定的天然态结构。第三,基于多层次约束的蛋白质结构预测方法MULFOLD。针对氨基酸序列中各位置残基间潜在的距离约束和相互作用信号,在DNcon2网络架构的基础上,通过选择性的特征训练设计了优化的接触预测模型Dncon X并基于相互作用约束构建了评估模型。同时又在种群的进化过程中设计了一种复交叉策略,从而根据构象的拓扑吻合度分数,实现不同交叉阶段之间的切换,并结合设计的不同评估模型指导片段库的生成与优化,在Evo P的框架下提出了基于多层次信息融合的蛋白质结构预测算法MULFOLD。实验结果表明,MULFOLD在三种比较的从头预测方法中获得了测试集中最佳的平均TM-score与mean-RMSD结果,以及最多的TM-score超过0.5的目标数,在20个PDB目标上获得的mean-RMSD和LRMSD结果分别优于Rosetta和0.49（?）和0.52（?）。通过多个层次的先验知识所形成的MULFOLD算法在种群迭代过程中既避免了过采样,又提高了迭代的效率,从而提高了输出的预测诱饵集与天然态结构的接近程度,对能量函数的低精确性起到了很好的弥补作用。