随着高通量基因测序技术的发展,人们已经积累了大量的蛋白质序列数据,但是对应的蛋白质结构预测及功能的分析与研究却不足。面对海量的蛋白质序列,如何高效预测对应的蛋白质结构和功能,成为生物序列分析的研究热点之一。蛋白质折叠识别的相关研究对预测蛋白质结构和分析功能有重要意义。近几十年来研究者们提出了众多面向蛋白质折叠识别的机器学习算法,这些算法大多关注于设计强鉴别性的向量化特征和分类器以获得更好的识别效果。然而,这类算法存在诸多问题:（1）基于判别式的算法利用序列不同属性的特征构建,但是融合特征中可能存在大量的信息冗余;（2）现有的分类模型不能充分利用序列之间的相似关系等。源自蛋白质序列不同属性的多视角特征及其分类是解决以上问题的一种有效方法。本文主要研究用于蛋白质折叠识别的多视角学习算法,旨在提出强鉴别性的多视角学习模型来解决以上问题,并提升识别算法的性能。本文的主要内容如下:（1）针对多种属性的拼接特征包含冗余信息的问题,本文提出了一种基于多种蛋白质序列鉴别性特征的多视角学习算法。该模型利用基于L2,1范数的稀疏投影矩阵构造潜在子空间,并提取每个视角的鉴别性特征;采用鉴别性强的回归目标函数,来扩大不同类别之间距离。在多个真实的蛋白质数据集上的实验结果表明,本文提出的算法能有效地利用不同属性的特征并提高分类性能。（2）针对单一比对算法的结果存在假阳性的问题,本文提出了一种基于多种序列相似度特征的多视角学习算法。该算法利用三种基于序列不同属性的算法得出的序列之间的相似度来构建多视角特征;构建数据分布更合理的潜在子空间,来有效利用不同视角的互补性信息与一致性信息。为了进一步提高比对算法打分的准确性,本文提出了一种基于多种伪蛋白质序列相似度特征的多视角学习算法。该模型将原始序列转化为包含进化信息的伪蛋白质序列。在实际的蛋白质折叠识别数据集上的实验结果表明了这两种算法的有效性。（3）针对序列相似性分析与利用不够充分的问题,本文提出了一种基于图嵌入的多视角学习算法。该算法通过构造拉普拉斯矩阵表征每个视角中蛋白质序列之间的相似关系;通过引入自适应加权技术来平衡各个视角的作用,以得到数据分布更紧凑的潜在子空间。该潜在子空间表示不同视角之间的共有信息,用于蛋白质折叠识别。实验结果表明,该模型能够较好利用每个视角序列数据之间蕴含的相似关系并提高蛋白质折叠识别精度。（4）针对比对算法构造的相似度特征含有噪声和单一检测算法性能局限的问题,本文分别提出了基于低秩约束的多视角学习算法和联合基于低秩约束的多视角学习算法和比对算法的决策融合算法。该算法旨在提取每个视角的低秩特征,可抑制不同比对算法得出的相似度特征的噪声的影响;同时将加权融合策略与强鉴别性的回归目标函数相结合,以更好地拟合蛋白质折叠任务。此外,本文通过一种有效的决策融合策略来利用不同方法的预测结果。在多个蛋白质折叠数据库上的实验结果表明,所提出的算法能有效提升模型的预测性能。综上所述,在深入研究和讨论蛋白质折叠识别问题的基础上,本文提出了面向蛋白质折叠识别的多种基于多视角学习算法,并从理论角度分析提出的模型的合理性。在多个数据集上的实验结果验证了本文提出的多视角学习算法的有效性。