生命科学正在经历大数据的时代,数据库的大小正以指数形式增加.目前,数据库包含了上百万的转录组学数据和数以千计的蛋白质组学数据.差异表达分析,即比较不同条件下的基因表达水平,现已成为寻找生物标记,目标靶向和候选基因的主要工具.传统的基因表达数据分析是以单个基因为单位,这忽略了基因间复杂的相关性和协同机制.忽视潜在的生物学信息不仅使分析的功效降低,而且不易发现隐藏的重要生物学信号.因此,基因集分析方法更加适用于高维的基因数据.在本篇论文中,我们研究的是两组与疾病相关的差异通路检测方法：传统的Hotelling’s T2检验、对角线Hotelling’s T2检验和修正的Hotelling’s T2检验.传统的Hotelling’s T2统计量要求样本数大于变量数.然而,对于基因集分析,样本数普遍小于基因个数.结果导致Hotelling’s T2统计量的值不唯一.对角线的Hotelling’sT2统计量忽视协方差阵S的非对角线元素虽然能够解决协方差阵的奇异问题,但这种方法忽略了基因集内部基因的相关性.在这篇论文里,我提出了一种修正的Hotelling’s T2统计量,记为RT2统计量.它弥补了上述两种方法的不足.在模拟实验中,以ROC曲线作为评价标准,比较本文改进的方法与Hotelling’s T2检验法和对角线Hotelling’s T2检验法在检验差异通路能力方面的优劣.通过模拟实验证实本文的方法对差异通路的识别能力更强.