对人类而言，疾病是一种重要的表型。由于细胞内各种分子间功能上的相互联系，单个基因的异常很少会导致复杂疾病的产生，特定基因的异常并不仅仅只局限于影响该基因的产物，而更多的是通过网络的连接，改变其它正常基因产物的活性。因此，将相互作用网络应用到表型相关分子网络标记识别的研究是至关重要的。基于这一理论，从整体和系统的角度研究复杂疾病，识别表型相关分子网络标记具有重要的理论和现实意义。因此，寻找生物网络中的疾病表型相关的分子通路，找到具有共同表型特征的网络模块成为了复杂疾病研究的关键。首先，本文对现有的表型相关分子通路的识别算法进行总结。从数据、网络是否已知、所识别的网络是否具有环形结构（反馈环）和是否可以识别有向网络的角度进行分析，重点总结了基于图论模型、最优化方法和启发式方法研究表型相关分子通路的识别算法。贝叶斯网络可以帮助我们实现对分子通路的定向；基于最优化方法中的网络流算法，我们可以从流的角度实现对网络的定向；利用启发式方法，我们可以在网络结构未知的条件下，识别分子通路。其次，本文提出了一种识别乳腺癌相关分子通路的网络流模型。基于乳腺癌的基因表达数据和人类蛋白质相互作用数据，我们建立了乳腺癌的整合分子相互作用网络。然后，利用网络流模型，识别了乳腺癌相关的分子通路。通过结合文献和对所识别分子通路中的基因功能富集分析，验证了我们预测的乳腺癌相关分子通路是可靠的。最后，本文提出了一种识别分子网络靶标的数学方法。基于蛋白质翻译后修饰网络，本文识别了药物靶蛋白富集的网络模块。经过分析，我们发现所识别的网络模块与疾病有密切的关系。基于这些发现，我们提出了利用网络模块预测药物靶蛋白的新方法，并在标准数据集上取得了良好的效果。