目前蛋白质序列的数量急剧增加，而每年已知结构的蛋白质数量却增长缓慢，因此迫切的需要开发快速、准确地计算工具来预测蛋白质的相互作用。本论文围绕蛋白质相互作用预测的几个重要方面：蛋白质特征提取方法，机器学习算法以及集成学习算法展开研究，目的是要得到一种能够快速、有效蛋白质相互作用进行预测的方法。蛋白质相互作用预测问题，本质上是一个模式识别问题。我们进行的研究是蛋白质氨基酸序列是唯一决定蛋白质相互作用的因素，并且对于相同类别的蛋白质，其氨基酸序列存在某种内在的规律性，这种内在规律用数学公式来表达是十分困难的。用机器学习的方法来进行蛋白质相互作用预测，是一个有监督学习过程，通过已知类别的蛋白质序列样本来训练神经网络、支持向量机、贝叶斯神经网络等机器学习模型，让其学习到蛋白质序列内部的规律，从而使其在遇到未知类别的蛋白质时可以做出科学合理的判断。和其他模式识别问题一样，氨基酸序列特征提取是用机器学习算法进行蛋白质相互作用预测的首要工作。特征提取就是将用字母表示的氨基酸序列转变成具有固定维数的数据向量。进行蛋白质相互作用预测中首要步骤是进行氨基酸特征提取，特征提取方法是否得当对于模型的预测精度有至关重要的影响。蛋白质特征提取方法有很多，主要是针对蛋白质的氨基酸序列的有氨基酸组成模型、二肽模型、多肽模型、伪氨基酸组成(PseAA)、针对性质的有理化性质模型(PCC)和重现量化分析(RQA)等。本文通过best-first特征筛选策略得到了一种新的特征组合：理化组成模型和重现量化分析，并且对其进行了特征融合。常用的二分类器方法有K近邻方法（KNN）、贝叶斯网络、人工神经网络（ANN）、柔性神经树（FNT）等。但蛋白质相互作用的预测是典型的分类问题，用上面提到的几种分类器进行简单的分类，预测结果并不理想。因此，处理多这个分类问题需要在特征上下功夫。本文在进行Human数据集的蛋白质相互作用预测时，分类器采用了人工神经网络，网络系数的优化算法采用了粒子群优化算法（PSO），通过这样的组合取得了较好的预测效果。本文分别用自协方差编码和共鸣识别模型构建分类模型，其中用自协方差编码分类模型在Human数据集上取得了83.5%的预测精度，共鸣识别模型在Human数据集分别取得了81.9%的预测精度。这也证明本文工作的有效性。