蛋白质无序结构是蛋白质中的一种特殊结构,在天然条件下,其空间结构不唯一确定,并表现出一定的柔性。但是它在生物中广泛存在,并依然维持着正常的生物学活性,特别是真核生物中,其包含的无序蛋白质占比可以达到27%-41%。对无序蛋白质的研究可以辅助理解蛋白质的折叠过程,确定蛋白质结构,设计新的人工蛋白质以及制造药物,具有重大的意义。使用传统的试验方法测定蛋白质无序区域,虽然具有较高的精度,但是耗时耗力,需要投入大量的成本。因此,基于机器学习的生物信息学研究方法也被用于预测蛋白质无序区域。并且近年来,随着生物数据,包括蛋白质结构数据的爆发式增长,已经形成了海量的数据规模,而目前常用的机器学习预测方法的训练样本数量都较小,因此本文尝试使用分布式的SVM算法对海量数据进行建模,并使用改进方法尝试解决SVM算法对长无序区域的不适应问题,提升了预测效果。主要工作如下:(1)基于PDB蛋白质结构数据库,筛选并获取原始结构数据。(2)提取蛋白质序列并进行标记以及特征提取,得到数据集。(3)对数据集进行整理得到样本集,分别训练常规模型、小数据集模型、样本平衡模型和改进的双层模型。(4)使用交叉验证和独立验证方法,对模型预测结果进行统计分析和评价。实验结果表明,改进方法在各个统计指标上都有一定的提升,并且在标准测试集上,也比其它的同类型方法有更好的表现。因此本文中提出的方法是合理可行的,并且证明基于大数据背景的生物信息学研究是有意义的,同时也是非常必要的。