稀疏回归模型具有在高维数据上预测和估计未知参数的优点,因此在统计学、机器学习、生物信息学等领域引起了广泛的关注.然而将其应用于复杂疾病和复杂生物过程的生物信息挖掘中时面临着群体基因选择、生物可解释性等问题.为此,本文通过结合系统生物学中的网络分析方法和统计机器学习中的群lasso方法,提出了两类稀疏群lasso模型,发展了相应的快速求解算法,并将其成功应用于微阵列数据分类和基因选择中去.本文的主要贡献如下:　　(1)针对微阵列数据的二分类问题,提出了基于加权基因共表达网络分析的自适应稀疏群lasso模型,并且发展了相应的求解算法.该方法一个主要创新点是将群lasso中的基因群和加权基因共表达网络中的模块结合起来,提出了一种对应于生物通路的分群策略.另一个创新之处是通过评估基因重要性构造具有生物意义的权重,提出了一种自适应基因选择策略.将上述模型和求解算法应用到大鼠肝细胞增殖过程的生物信息挖掘中去,成群地筛选出了与肝细胞增殖相关的基因.与其他五种模型相比,本文所提模型获得了最高的分类精度和最稳定的基因选择性能.　　(2)针对微阵列数据的多类分类问题,提出了基于加权基因共表达网络分析的多项式稀疏重叠群lasso模型,并且发展了该模型的求解算法.该方法的主要创新是使用加权基因共表达网络分析方法将多类分类超高维生物数据进行重叠分群,从而提出了一种重叠分群策略.将上述模型和求解算法应用到肺癌的诊断和群体基因选择中去,成群地筛选出了与肺癌高度相关的基因.相对于其他三种模型,本文所提出的模型取得了更好的分类性能和最稳定的基因选择性能.