DNA结合蛋白作为一类能够在生物体中能够与DNA结合并形成复合物的蛋白质,在生物体中遗传与进化过程中发挥着重要的作用。研究预测DNA结合蛋白对医学、农畜牧业等生命的健康发展有着至关重要的意义。随着后基因组时代的到来,大量基于序列信息进行分析预测的方法被提出,极大的促进了DNA结合蛋白预测领域发展。本文从序列信息的角度出发,分别使用机器学习算法和深度学习框架构建DNA结合蛋白预测模型。具体内容如下:（1）本文对现有DNA结合蛋白预测研究概况进行了总结。首先介绍了蛋白质相关的数据库,之后介绍了在DNA结合蛋白特征提取方面一些通用的特征提取方法,并简述其过程。最后陈述了一些较为流行的算法与原理。（2）使用传统机器学习算法,本文提出了一种基于伪进化信息的DNA结合蛋白预测方法。本文从蛋白质序列的进化信息角度出发,通过提取蛋白质序列的位置特异性得分矩阵,将矩阵划分为子矩阵,提取伪局部进化特征,并结合蛋白质的氨基酸组成等信息构成蛋白质的伪进化信息,通过使用径向基函数的支持向量机与减小偏差算法进行特征选择并对比不同分类器,最后生成预测模型。该方法在测试集上的预测结果准确率、马修相关系数分别为91.2%和0.826,优于现有的机器学习方法。（3）使用深度学习框架,本文提出了一种基于双向长短期记忆网络的DNA结合蛋白预测方法。本文使用嵌入的方式将氨基酸序列转化为向量,在含有卷积层,池化层,双向长短期记忆网络等结构的深度学习网络中,使用自主构建的数据集进行训练,在测试集上得到预测结果的准确率、马修相关系数分别为92.0%和0.841,优于其他方法在此数据集上复现的结果;此外,本文从Uni Prot中构建了不同物种的DNA结合蛋白数据集,探究模型在不同物种之间预测的效果。本文提出的两种不同的DNA结合蛋白预测方法都表现出良好的性能,所提出的方法可被进一步应用于其它蛋白质属性预测领域。