推断不同生物学条件下的基因网络扰动对于理解复杂疾病的机制有着很重要的作用。通常,我们使用假设数据服从多元正态分布的高斯图模型建模,来推断基因网络的扰动。但是,由于数据会受到极端异常值的影响,因此这个假设通常不符合实际情况。本文基于多元学生t分布,提出了一个更鲁棒的差异图模型来推断不同条件下的基因网络扰动。因为多元t分布有着重尾的性质,所以它比正态分布对异常值的鲁棒性更强。同时,我们利用fused lasso惩罚来考虑不同条件之间网络的相似性。本文利用期望极大化算法来求解这个优化模型。模拟实验的结果表明,我们的方法优于对比的方法。将本文提出的方法应用于乳腺癌的不同亚型和胶质母细胞瘤的不同亚型中,推断不同亚型之间的基因网络扰动,发现了几个驱动基因网络扰动的关键基因。