人类基因组草图的绘制完成,标志着现代生命科学研究已经进入了后基因组时代。生物学关心的焦点已由结构基因组学转向了功能基因组学,对基因彼此之间的相互作用,尤其是基因表达调控网络的构建,受到越来越多的关注。建立基因调控网络模型的目的是为了更形象地从系统水平上研究基因之间的相互作用关系,从而帮助理解生命现象的本质规律。由于实际基因调控网络是一个复杂的随机系统,目前大多数确定型基因调控网络模型存在着结构简单且需预先确定、描述较为粗糙、精确性不高等缺点。然而,随机型模型却具有不依赖于先验知识和参数模型、可采用实例学习的方法获取模型参数、统计学意义上更为可靠、而且通过增加学习的实例可以提高基因网络构建的鲁棒性等优点。因此,概率基因调控网络模型近年来已受到越来越多的关注,本文也主要研究和讨论了概率基因调控网络的特点及其构建方法。已有概率基因调控网络的构建大都建立在聚类的基础上,本文首先对广泛应用于聚类分析中的k-means聚类算法进行了一定改进以提高聚类质量,并基于改进的聚类算法和冗余聚类原理给出一种基因调控网络构建方法；然后本文重点研究讨论了一种基于隐马尔可夫模型的基因调控网络构建方法,文中把聚为一类的不同基因指定为不同状态,并构建出这些基因间的隐马尔可夫模型,从而可依据输出状态转移概率矩阵找出目标基因的可能父代调控基因组,最终获得概率基因调控网络。本文通过对酵母细胞基因表达数据构建基因调控网络的实验,验证了采用该方法所构建的基因调控网络与实验数据匹配程度高,可以较好地描述基因之间的调控关系。