甲基化是一种调节细胞功能的蛋白质翻译后修饰（PTM）,能对基因调控和疾病预测等领域的研究提供指导和帮助。当前,甲基化位点识别研究存在标注数据集少,正样本数据不足和甲基化研究识别准确率低等问题。为了解决这些问题,提出了一种基于CNN和Bi-LSTM模型的蛋白质甲基化位点识别方法。模型分为两个分支,CNN分支采用密集连接的方式使每一层的特征信息充分地传递和共享,堆叠的Bi-LSTM分支获得序列中双向的长期依赖关系,然后对两个分支特征融合用于甲基化识别。实验结果表明,利用该模型识别甲基化位点得到的准确率（ACC）、F1值(F_1-score)和马修斯相关系数（MCC）分别为0.851 9、0.849 4和0.728 4,相对比其他方法,本文提出的模型具有良好性能。