全基因组关联分析（GWAS）是人们研究遗传疾病的重要分析方法之一,通过寻找目标基因和特定疾病之间的相关关系从基因位点中找出关联性较强的基因。当前关于基因型的研究,较多是回归或遗传模型的假定,来研究基因型与疾病的关联分析。在不确定基因型的研究中,Z Kutalik et al.（2017）^[1]使用精确的极大似然估计对数据进行关联分析。用神经网络来做此类的研究较少,由于神经网络对模型的要求较弱,在现实生活中的具体模型是未知的,研究中通常将模型假定为线性或其他模型,但这可能会影响实际拟合效果。在高通量的测序当中,几乎无法精确得到所有具体基因型,通常只有基因型概率。本文用神经网络研究进行基因关联分析,并针对基因型不确定的情况下具体分析。本文的研究顺序如下:第一,介绍基因及其相关背景,将神经网络引入到基因型不确定的数据中;第二,通过神经网络模拟“最大概率方法”和“剂量方法”下的二元logist模型,发现有较好的拟合效果。也可以通过神经网络的权重找到相关性较强的致病基因,同时对比了两种方法的优缺点,发现了“剂量方法”的预测效果要比“最大概率方法”更好;第三,为了扩展神经网络在不确定基因型时间数据上的研究,通过深度前馈神经网络（DNN）和循环神经网络（RNN）研究了股票第二天开盘价的涨跌数据,并给出了相应的精度结果;第四,对全文进行了总结和展望,讨论了神经网络在基因性时间序列数据上的可实施性。