基于图结构的数据分析是当前大数据集处理中最热门的技术之一,它可以很好地描述同一时刻时间间序列的相互关系,以及不同时刻时间序列的内部关系。然而在实际应用中,图结构往往未知,比如同一板块的股票价格之间虽具有较强的相关性,但往往无法直接套用现有的图结构。因此,很有必要从有限的样本中学习有效的图拓扑结构。本论文针对大规模动态高斯马尔科夫过程的图结构参数估计问题开展研究。本文的主要贡献如下:1.基于一阶高斯马尔科夫过程的联合图结构参数估计,分析联合数据图结构及噪声图结构的构造,定性地确定权重参数的取值范围;并采用交替梯度下降法对联合图结构进行阈值筛选,从而得到稀疏的图结构,证明了分组阈值q算法(GTQ)这一过程的收敛性并通过仿真验证其收敛性。2.基于聚类的一阶高斯马尔科夫过程的图结构参数估计,从谱聚类算法出发,将聚类嵌入动态线性系统中,并提出确定聚类数K的算法。通过仿真研究不同网络规模、阈值q对聚类性能、聚类数K的影响以及算法复杂分析,同时通过不同的图模型对比GTG、CDG、MRCE、JGSE在模型拓扑识别率与模型估计准确率方面的性能,最后将其运用到实际股票市场的数据。3.基于稀疏自适应的迭代最小二乘图结构参数估计,从批-最小二乘(B-LSM)算法出发提出迭代最小二乘(ILSM)算法,利用先验估计的图结构和相关的新息信息,进行在线图结构的估计。同时在误差可控的范围内利用信号结构的共稀疏性,提出稀疏自适应-迭代最小二乘(ASP-LSM)算法,提高拓扑识别的能力,最后通过实验仿真验证ASP-LSM算法的性能,并将其运用于实际股票市场的数据。