抗原-抗体间的相互关系在体液免疫反应当中扮演着非常重要的角色,在特异性位点抗原与抗体结合与抗原决定因子保持一致,B细胞表位作为抗原决定因子之一在B淋巴细胞表面被受体(膜结合抗体)识别和结合。B细胞表位,又称抗原决定因子,是位于抗原表面的一些氨基酸片段。表位能够诱导免疫反应,并且能够被特异性抗体识别,一般来说,基于它的结构特性,B细胞表位可分为两类:线性B细胞表位和构象性表位。线性B细胞表位在生物化学、病毒学、免疫学以及疫苗的研究中起着很重要的作用,因此,对于线性表位预测的计算方法的研究与进展在生物信息和计算生物方面仍的一个很大的挑战。特征选择是从总的特征集中选择出能够满足某一种评价标准并且使评价标准达到最优的特征子集。它的目的是根据选择出的子集让分类的性能与进行特征选择之前相比能够达到近似或者更优。经过特征选择之后,一些无关或冗余特征通过机器学习方法被剔除,从而利用剔除多余特征后的特征子集建立一个更加精确的模型。然而如何使用特征选择方法剔除无用或冗余的特征已成为一种挑战。目前常用的线性B细胞表位预测的方法大多数是单纯的对于B细胞中提取的特征处理,没有考虑冗余特征的存在。本文主要是提出将特征选择方法与线性B细胞表位预测结合起来,进而将无关特征剔除,最终使得预测精度提高。另外本文还通过支持向量机分类器实验验证不同的特征提取方式对应最优的的特征选择方法是不同的,每一种特征提取方法对应的预测效果也是不一样的。