了解微生物之间以及微生物与环境之间如何交互是微生物生态学重要的研究课题。但是由于传统的基于实验室培养的研究方法的限制,生物学家对真实环境中微生物群落内部的交互了解甚少。宏基因组测序技术的发展使得研究者可以通过分析微生物的基因序列来了解真实环境中微生物的组成和丰度,然后利用关联推断算法来帮助分析微生物群落中复杂的交互作用。然而测序数据产生过程和微生物交互的复杂性为关联推断算法的设计带来了一系列挑战。现有的关联推断算法多是针对一到两个问题如组成成分偏差、间接关联或非线性关联等进行设计,没有综合考虑影响微生物关联推断的各个因素。本文针对现有关联推断算法存在的问题,提出了两种基于层次贝叶斯模型的微生物关联推断方法,能够较为全面地考虑到测序数据产生的特点和微生物交互的规律。本文的主要创新点如下:1、考虑静态关联网络推断算法存在的组成成分偏差、过度散布、间接关联、和环境因素影响的问题,本研究首先提出了对数正态-狄利克雷-多项式层次贝叶斯模型。该模型能够同时估计具有条件依赖性的微生物之间的关联和环境因素与微生物的关联,并且考虑组成成分偏差和过度散布的问题;估计的微生物关联能够去掉间接关联,增加了关联推断结果的可解释性。该模型关联推断的有效性在仿真数据集和多个真实数据集上得到了验证。2、考虑在复杂关联推断中的非线性关联问题,本研究基于静态关联推断的层次贝叶斯模型,通过对环境因素的分布做假设,提出了考虑环境变化的多关联网络推断算法。该算法能够估计数据集中可能的环境条件,并且在每种环境条件下推断条件依赖的微生物之间关联和直接的微生物与环境因素之间的关联。每种环境条件是综合考虑环境因素、微生物种类和丰度相似性的结果,便于生物学家分析微生物组成和关联的异质性。在真实数据集上的结果证明该模型能够有效分析大数据集中的复杂关联。3、综合上述两种关联推断模型,本研究提出的层次贝叶斯模型关联推断框架能够同时适用于环境因素较少、样本数有限时的静态微生物关联推断,和大样本量、环境因素较多、微生物群落较复杂时的多关联网络推断。该框架具有优秀的可扩展性。