信息技术和测序技术的迅速发展以及人类基因组计划的推进为人类探索生命的奥秘提供了海量生物数据。面对海量生物数据,寻求高效低成本的分析方式是基因组学领域的难点之一。核糖核酸(RNA)在多种生物学作用中扮演着非常重要的角色,单链指导RNA(sg RNA)和N~6-甲基腺苷修饰(m~6A)是RNA序列功能识别中的重要问题。RNA序列功能识别研究将推动基因组编辑和表观遗传学领域的进展。单链指导RNA和N~6-甲基腺苷修饰的序列中都包含碱基位置信息、进化信息和模体信息,因此本文针对其序列特性提出不同的特征提取方法,并结合机器学习算法构建模型进行研究分析。本文具体的研究内容如下:在sg RNA靶向活性识别研究中,针对已有方法仅考虑序列的近程信息问题,本文提出位置特异性通配(PSM)特征提取方法。位置特异性通配方法通过结合位置特异性(PS)方法和Mismatch方法以挖掘出sg RNA序列的远程信息和进化信息。将PSM特征向量与极端梯度提升(XGBoost)算法结合,在两个数据集上构建相应模型,结果表明模型的预测性能较好,具备跨基因和跨细胞的泛化能力。特征分析结果显示重要特征大都涵盖Protospacer Adjacent Motif序列模式,表明PSM方法能很好的捕捉s g RN A序列中碱基位置信息和模体信息。针对sg RNA序列的不同区域片段携带信息的重要性程度不一致和数据集不平衡问题,本文提出基于双窗口的位置特异性通配(2w PSM)方法和活性支持向量机过采样策略(SCORE-SVM-SMOTE)。将2w PSM特征向量和支持向量机算法(SVM)结合构建sg RNA-2w PSM模型,利用SCORE-SVM-SMOTE方法平衡数据集进一步提升模型的性能,结果表明sg RNA-2w PSM方法的预测性能优于sg RNA-PSM和sg RNA-Ex PSM。通过热度图分析前后窗口特征的重要性以及序列上每个位置的碱基偏好性,结果能印证划分窗口策略的正确性和2w PSM特征提取方法的有效性,并对sg RNA序列中核苷酸偏好特性进行了探讨与验证。在N~6-甲基腺苷位点识别研究中,针对分词方法以及基于词嵌入预测方法的不完善问题,基于位置特异性通配方法、Kmer方法和RNA模体(motif)信息,本文提出Mismatch、Loop Variable Kmer和Motif分词方法,并利用词嵌入结合卷积神经网络构建四个单分类模型。采用主成分分析法对单分类模型进行RNA词关系分析,分析结果表明集成策略能进一步提升模型预测性能。本文使用加权集成策略构建Ensemble2Vec集成模型,其在两个测试集上性能都较优。