1.一种融合多视角和最优多标签链式学习的RNA结合蛋白识别，其特征在于，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多间隙二肽柱状数值矩阵，作为初始二肽成分特征X3；

第四步：使用Word2Vec技术建立模型，学习以6聚体RNA为词库的词向量，将RNA序列转化为RNA序列语义矩阵，作为初始RNA序列语义特征X4；得到初始多视角数据集D＝{X1,X2,X3,X4,y}；

第五步：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 第六步：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 第七步：利用X3，y对多间隙二肽成分深度特征提取网络训练，取多间隙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多间隙二肽成分深度特征 第八步：利用X4,y对RNA序列语义深度特征提取网络训练，取RNA序列语义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序列语义深度特征 第九步：拼接形成使用和y训练多标签特征学习模型，获得每个标签相关的加权特征向量 第十步：利用y对最优链式CC多标签分类器模型训练；

所述的最优链式CC多标签分类器模型是使用各个标签对应的加权特征向量来训练CC多标签分类器中的各个子分类器，从而获得更好分类效果的分类器模型；

第十一步：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 第十二步：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 第十三步：拼接形成输入至训练好的多标签特征模型，得到加权特征向量 第十四步：将输入至训练好的最优链式CC多标签分类器中，获取预测到的所有标签值

2.如权利要求1所述的融合多视角和最优多标签链式学习的RNA结合蛋白识别，其特征在于，所述第五步中的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所述的融合多视角和最优多标签链式学习的RNA结合蛋白识别，其特征在于，所述第六步中的氨基酸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所述的融合多视角和最优多标签链式学习的RNA结合蛋白识别，其特征在于，所述第七步中的多间隙二肽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*871的特征图；第二层为扁平层，得到1个1*87971的特征图；第三层为概率0.5的dropout层，得到1个1*87971的特征图；第四为全连接层，将1个1*87971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1所述的融合多视角和最优多标签链式学习的RNA结合蛋白识别，其特征在于，所述第八步中的RNA序列语义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25*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。

6.如权利要求2所述的融合多视角和最优多标签链式学习的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、多间隙二肽视角深度特征提取使用的CNN网络架构和RNA序列语义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，四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所述的融合多视角和最优多标签链式学习的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、多间隙二肽视角深度特征提取使用的CNN网络架构和RNA序列语义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，四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所述的融合多视角和最优多标签链式学习的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、多间隙二肽视角深度特征提取使用的CNN网络架构和RNA序列语义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，四个网络的损失函数采用Binary cross-entropy二分类交叉熵损失函数。

9.如权利要求5所述的融合多视角和最优多标签链式学习的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、多间隙二肽视角深度特征提取使用的CNN网络架构和RNA序列语义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，四个网络的损失函数采用Binary cross-entropy二分类交叉熵损失函数。