随着人类基因组计划的完成,对基因功能的揭示成为后基因组时代的研究热点。微阵列技术的发展使得人们找出基因在不同条件下的表达水平及其相互间的依赖联系成为可能。所谓基因调控网络就是基于微阵列数据,对基因之间其表达关系相互依赖程度的一种仿真或重建。这为我们了解生物体中哪些基因被表达、表达时间、表达位置以及表达的程度如何提供了可视化的参考模型。在深入研究基因与疾病关系,药物靶子设计等方面,基因调控网络具有重要的应用价值。本文主要研究基于贝叶斯网络的基因表达调控网络的重构算法。首先,我们探讨了用于推断基因表达调控网络的一些常用模型,加权矩阵模型、布尔网络模型、互信息关联网络模型、线性组合模型、有向图和无向图以及贝叶斯网络模型。逐个分析了每种方法的优缺点。同时,发现贝叶斯网络作为一种有效的网络构建模型,具有好的统计性和处理隐变量以及缺失值的优越性。文章第三部分着重探讨了贝叶斯网络在实现基因表达调控过程中的一些问题,提出了一种基于相互信息的稀疏候选算法并将之与已有的重构算法相结合,产生了两个改进算法,即CP(条件独立候选算法)和MP(马尔科夫覆盖候选算法)。此外,鉴于基因表达数据自身的特点,现有的贝叶斯学习算法不能直接用于分析基因表达谱数据,我们引入了互信息方法来进行预处理。实验表明,本文的算法精度高于单纯运用模拟退火或者其它启发式算法的效能。