随着高通量技术的发展,获取大量的基因表达数据已经成为现实,因此生物学的研究方向转向了基因层面。从基因表达数据重构基因调控网络,能够了解基因表达和生物体基本功能之间的联系,这对分析生物体复杂生命现象有着重要的意义。现有的大多数方法利用相关系数及控制阈值大小构建网络,但构建的网络包含了基因间的直接与间接相互作用关系,使得网络准确度低。基于高斯图模型构建网络的方法考虑了相关系数构建网络准确度低的问题,然而,高斯图模型依赖于假设数据是高斯的。当不满足该假设时,估计的网络会产生假阳性边。此外,当样本数据出现噪音时,构建的网络准确度也较低。为了解决数据噪音影响结果准确度的问题,本文借助集成学习思想,提出了基于两层集成学习来构建基因调控网络的方法。第一层是对数据集进行随机抽样,产生多个数据集;第二层是对于每个数据集利用不同的鲁棒估计方法,对估计结果进行集成学习。此方法的主要特点是通过多次集成实验减少噪音的影响,提高结果的稳定性。基于高斯图模型求解算法,模拟实验验证了基于两层集成学习构建的基因调控网络准确度高,同时针对噪音数据该方法稳定性较强。