理解蛋白质的氨基酸序列与其结构之间的潜在关系是结构生物信息学中的一个基本问题。由于直接从氨基酸序列预测蛋白质的三维结构是极其困难的,因此一个中间但非常有效的步骤是预测蛋白质的8类二级结构。特别地,蛋白质的二级结构预测信息不仅有助于确定蛋白质的三维结构,而且能够用于蛋白质的功能和互作预测。神经网络是深度学习领域的主要算法模型。由于神经网络具有较强的非线性建模能力,其在语音识别、语言建模、物体识别和图像分类等多个领域获得了广泛应用。基于神经网络模型及最新的深度学习技术,本文对8类蛋白质二级结构预测进行了深入研究,主要的研究内容如下:针对滑动窗口方式的蛋白质二级结构预测,提出了一个基于深度前馈神经网络的预测算法。该算法采用5层前馈神经网络,通过引入Dropout正则化克服参数过拟合。实验结果表明,提出的预测算法能够显著提高8类蛋白质二级结构的分类精度。针对序列方式的蛋白质二级结构预测,提出了一个基于递归神经网络的预测框架。该框架通过双向递归神经网络建模氨基酸间的局部和长程相互作用,递归神经网络的隐层输出进一步送入到三层的前馈神经网络进行8类蛋白质二级结构预测。实验结果表明,双向LSTM和双向GRU的蛋白质二级结构预测精度明显地优于双向朴素RNN。