基因组遗传值预测是结合基因组标记信息和表型信息来对个体进行基因组遗传值估计的方法。它不仅可以用于动植物的早期选择育种,还可应用于人类疾病的风险评估。该方法称之为基因组选择（Genomic Selection,GS）,基因组评估（Genomic Evaluation,GE）或基因组预测（Genomic Prediction,GP）等。本研究针对基因组遗传值预测算法展开研究,主要的研究内容有:（1）开发了基于集成学习的基因组遗传值预测算法ELPGV;（2）开发了基于深度残差神经网络的基因组遗传值预测算法Res GS;（3）对上述的研究内容分别进行总结、探讨和展望。主要研究结果如下:（1）提出了一种基于集成学习的基因组遗传值预测算法,并命名为ELPGV（Ensemble Learning of Prediction for Genetic Value,ELPGV）,它是将几种基础预测模型（如GBLUP、Bayes A、Bayes B和Bayes Cπ）的预测结果通过集成学习组合成更精确的预测结果的元算法。我们使用了多个数据集来验证ELPGV的预测性能。所有结果都表明,ELPGV的预测准确度显著高于其所集成的基础预测模型。在对WTCCC数据集的六种疾病风险评估中,显著性P值为4.853E-118～9.640E-20;在荷斯坦奶牛数据集中,其P值为9.943E-80～0.001E-00。而且ELPGV未使用基因型数据,因此节省了大量的计算资源,使用内存为2GB的计算机来预测WTCCC数据集仅需要几分钟。其次,我们还通过大量实验验证了ELPGV的性能受所集成的基础预测模型相似性的影响,即集成的基础预测模型相关性越低,集成后的预测准确度就越高。反之使用更多类似的基础预测模型去集成,则ELPGV的预测准确度不会显著提高。我们将ELPGV开发成R包,可以通过https://github.com/Gu Lin Lin-JMU/ELPGV访问。（2）针对深度学习技术的基因组遗传值预测算法Deep GS存在计算效率低和准确度不高等问题。我们开发了一种新的深度学习基因组遗传值预测算法,并命名为Res GS。新算法的特点是:a.以深度残差神经网络来预测遗传值,可捕获基因型内部的复杂关系,提高预测准确度;b.采用卷积（Convolution）和池化（Pooling）策略来降低高维基因型数据的复杂性,加快计算速度;c.模型中引入批量归一化层（Batch Normalization Layer,BN Layer）,加快了模型的收敛速度。我们将新算法分别应用于599个株系的小麦数据集和2000个株系的伊朗小麦数据集中,结果表明,Res GS的效果优于前馈神经网络（Feedforward Neural Network,FNN）,相对提高101.59%～130.83%。在对大部分表型的预测中,Res GS比GBLUP提高了2.24%～20.19%。计算耗时方面Res GS仅次于GBLUP,比Deep GS快了大约18～22倍,比FNN快了24～26倍。Res GS有效地解决了因层数的增加而导致模型准确度降低的问题。因此,在实际应用中,Res GS的前景更为广阔。本研究运用人工智能（Artificial Intelligence,AI）技术开发基因组遗传值预测模型,提出的集成学习基因组遗传值预测模型ELPGV有效地改善了以往需要根据特定表型的遗传机制选用特定的基因组遗传值预测模型的难题。其次,我们还针对深度学习基因组遗传值预测模型Deep GS收敛速度慢、准确度不高的情况做出了相应的改进,遂提出了Res GS,Res GS有效地解决了深度学习收敛速度慢、计算效率低等问题,更符合实际预测的要求。