蛋白质的种类繁多、结构复杂,它承担着机体的多项生物学功能,被誉为人类生命活动的主要承担者。活性蛋白质作为一类具有特殊功能的蛋白质,可以调控机体生物学功能或构成抗体。因此,通过氨基酸序列准确识别出活性蛋白质,对于探索活性蛋白质复杂的生物学功能,以及更进一步了解其对生命体系的影响作用具有至关重要的意义。随着数据时代的到来,越来越多的研究者将基于计算的机器学习算法应用到蛋白质的识别研究中。本文通过多种机器学习算法的性能比较,建立了基于优化计算的支持向量机识别模型,分别对免疫球蛋白和潜在可药物化蛋白这两种活性蛋白质进行识别研究以预测其功能性。对于免疫球蛋白的识别研究,本篇选择Profile–Based Cross Covariance（CC-PSSM）和mono Tri KGap方法提取氨基酸序列中的特征,将获取的特征输入到支持向量机模型中进行分析识别。与此同时使用朴素贝叶斯和随机森林算法做性能对比。另外,通过特征选择技术筛选更具鉴别能力的二维关键特征,并对这些特征的正反例数据分布进行分析。交叉验证的结果表明,mono Tri KGap（k=1）方法提取的特征能够准确识别99.56%的免疫球蛋白。CC-PSSM方法使用更具鉴别能力的混合二维关键特征可以识别89.47%的免疫球蛋白。该项研究方法为深入了解机体的防御功能提供了途径。对于潜在可药物化蛋白的识别研究,本文提出了基于集成支持向量机和混合特征结合的识别模型,称为Drug Hybrid＿BS。该模型从多个角度提取氨基酸序列的特征信息,融合了mono Di KGap（k=2）、Cross Covariance和Grouped Amino Acid Composition三种类型的特征。并且研究对Bagging-SVM的参数（核函数和基模型个数）进行对比寻优。除此之外,本文还使用了交叉验证从特征组合和分类算法等方面验证了Drug Hybrid＿BS模型的优越性。实验结果表明96.9944%的潜在可药物化蛋白可以被准确识别,独立测试集的准确率也达到了96.5665%。这都意味着Drug Hybrid＿BS模型在潜在可药物化蛋白的识别方面具有可靠性。另外,混合的关键特征输入到集成的支持向量机中可识别80.0343%的潜在可药物化蛋白,这表明了该部分特征对于研究的重要意义。在未来的药物分子与靶点蛋白结合的研究中,本项研究开发的模型可有助于提高靶点蛋白的功能预测效率。