1.基于多视角深度特征与多标签学习的RNA结合蛋白识别，其特点在于：训练阶段的步骤为：

第一步：使用one‑hot编码技术将原始RNA序列编码为数值矩阵，作为初始RNA序列特征X1；

第二步：使用分子生物学原理将原始RNA序列转换成氨基酸序列，再用one‑hot编码技术转化为数值矩阵，作为初始氨基酸序列特征X2；

第三步：使用统计学原理将氨基酸序列转化为二肽柱状数值矩阵，作为初始二肽成分特征X3；得到初步多视角数据集D＝{X1，X2，X3，y}；

第四步：利用X1，y对RNA序列深度特征提取网训练，取RNA视角深度特征提取使用的CNN网络架构的倒数第二层用做RNA序列深度特征第五步：利用X2，y对氨基酸序列深度特征提取网络训练，取氨基酸视角深度特征提取使用的CNN网络架构的倒数第二层用做氨基酸序列深度特征第六步：利用X3，y对二肽成分深度特征提取网络训练，取二肽视角深度特征提取使用的CNN网络架构的倒数第二层用做二肽成分深度特征第七步：利用y对RNA视角CC多标签分类器模型训练；

第八步：利用y对氨基酸视角CC多标签分类器模型训练；

第九步：利用y对二肽视角CC多标签分类器模型训练；

第十步：对测试数据使用初始多视角特征构建模型构建初步多视角测试数据集

第十步：使用深度多视角特征提取模型得到深度多视角测试数据集

第十一步：使用训练好的CC多标签分类模块对多视角测试数据集进行预测，得到多视角初步结果

第十二步：使用投票机制对多视角初步结果进行决策。

2.如权利要求1所述的基于多视角深度特征与多标签学习的RNA结合蛋白识别，其特征在于：所述第四步中的RNA视角深度特征提取使用的CNN网络架构，包括1个二维卷积层、1个池化层、1个扁平层、2个dropout层和2个全连接层；CNN网络架构第一层卷积层为101个4*10的卷积核，得到的101个1*2701的特征图；第二层池化层的池化长度为3，得到101个1*900的特征图；第三层为扁平层，得到1个1*90900的特征图；第四层为概率0.5的dropout层，得到1个1*90900的特征图；第五为全连接层，将1个1*90900的特征图转换成一个1*202的向量；第六层为概率0.5的dropout层，得到1个1*202的特征图；第五为全连接层，将1个1*202的特征图转换成一个1*68的向量。

3.如权利要求1或2所述的基于多视角深度特征与多标签学习的RNA结合蛋白识别，其特征在于：所述第五步中的氨基酸视角深度特征提取使用的CNN网络架构，包括包括1个二维卷积层、1个池化层、1个扁平层、2个dropout层和2个全连接层；CNN网络架构第一层卷积层为101个20*10的卷积核，得到的101个1*2701的特征图；第二层池化层的池化长度为3，得到101个1*900的特征图；第三层为扁平层，得到1个1*90900的特征图；第四层为概率0.5的dropout层，得到1个1*90900的特征图；第五为全连接层，将1个1*90900的特征图转换成一个1*202的向量；第六层为概率0.5的dropout层，得到1个1*202的特征图；第五为全连接层，将1个1*202的特征图转换成1个1*68的向量。

4.如权利要求1或2所述的基于多视角深度特征与多标签学习的RNA结合蛋白识别，其特征在于：所述第六步中的二肽视角深度特征提取使用的CNN网络架构，包括包括1个二维卷积层、1个扁平层、2个dropout层和2个全连接层；CNN网络架构第一层卷积层为101个30*10的卷积核，得到的101个1*431的特征图；第二层为扁平层，得到1个1*43531的特征图；第三层为概率0.5的dropout层，得到1个1*43531的特征图；第四为全连接层，将1个1*43531的特征图转换成一个1*202的向量；第五层为概率0.5的dropout层，得到1个1*202的特征图；第六为全连接层，将1个1*202的特征图转换成1个1*68的向量。

5.如权利要求3所述的基于多视角深度特征与多标签学习的RNA结合蛋白识别，其特征在于：所述第六步中的二肽视角深度特征提取使用的CNN网络架构，包括包括1个二维卷积层、1个扁平层、2个dropout层和2个全连接层；CNN网络架构第一层卷积层为101个30*10的卷积核，得到的101个1*431的特征图；第二层为扁平层，得到1个1*43531的特征图；第三层为概率0.5的dropout层，得到1个1*43531的特征图；第四为全连接层，将1个1*43531的特征图转换成一个1*202的向量；第五层为概率0.5的dropout层，得到1个1*202的特征图；第六为全连接层，将1个1*202的特征图转换成1个1*68的向量。

6.如权利要求1或2或5所述的基于多视角深度特征与多标签学习的RNA结合蛋白识别，其特征在于：所述的RNA视角深度特征提取使用的CNN网络架构、氨基酸视角深度特征提取使用的CNN网络架构和二肽视角深度特征提取使用的CNN网络架构的最后一层都使用sigmoid函数作为激活函数来引入非线性变换，其余层采用relu函数作为激活函数，三个网络的损失函数采用Binary  cross‑entropy二分类交叉熵损失函数。

7.如权利要求3所述的基于多视角深度特征与多标签学习的RNA结合蛋白识别，其特征在于：所述的RNA视角深度特征提取使用的CNN网络架构、氨基酸视角深度特征提取使用的CNN网络架构和二肽视角深度特征提取使用的CNN网络架构的最后一层都使用sigmoid函数作为激活函数来引入非线性变换，其余层采用relu函数作为激活函数，三个网络的损失函数采用Binary  cross‑entropy二分类交叉熵损失函数。

8.如权利要求4所述的基于多视角深度特征与多标签学习的RNA结合蛋白识别，其特征在于：所述的RNA视角深度特征提取使用的CNN网络架构、氨基酸视角深度特征提取使用的CNN网络架构和二肽视角深度特征提取使用的CNN网络架构的最后一层都使用sigmoid函数作为激活函数来引入非线性变换，其余层采用relu函数作为激活函数，三个网络的损失函数采用Binary  cross‑entropy二分类交叉熵损失函数。