生物体内存在一套复杂的基因调控机制,这种调控机制控制生物的生长发育过程,研究者将这种调控机制定义为基因调控网络（Gene regulatory networks,GRNs）,基因调控网络是理解生物系统的重要工具。随着单细胞测序技术的快速发展,单细胞转录组学数据的规模越来越大,准确的从大规模转录组学数据中推断基因调控网络对于理解生物调控过程至关重要。近年来已经有研究者提出了大量算法对基因调控网络进行重构,已有算法通常将调控网络的重构问题分解为多个子问题,采用机器学习方法挖掘数据,这些方法通常在诸如计算复杂度、计算准确度等方面还需要进一步优化,为此本研究的主要工作如下:本文首先提出了BiRGRN,一种从带伪时间序列的基因表达数据中推断GRN的新方法。BiRGRN利用双向循环神经网络（Bidirectional Recurrent Neural Network,BiRNN）来推断基因调控网络。RNN是一种复杂的深度神经网络,能够捕捉变量之间复杂、非线性、动态的关系。为构建GRN,算法将RNN模型中神经元映射为基因,并将神经网络层与层之间的连接映射为基因之间的调控关系。基于深度网络,BiRGRN将GRNs的重构问题转化成一个回归问题,算法利用前面多个时间结点的基因表达数据预测下一个时间结点的基因表达数据。此外,算法接着引入双向结构来整合正向和逆向推断结果,并基于一组不完全的先验知识来过滤掉部分候选边。BiRGRN具有较好的可解释性和数学上的灵活性,为了验证该算法的准确性,本文将BiRGRN应用于四个模拟数据集和三个真实sc RNA-seq数据集。与目前先进的算法相比,实验结果表明BiRGRN能够更准确的从时序sc RNA-seq数据中推断出GRN。进一步,本文提出了GraConGRN,该算法是针对稳态基因表达数据提出的新的基因调控网络重构算法。GraConGRN利用图卷积神经网络（Graph Convolutional Neural Networks,GCN）以及卷积神经网络（Convolutional Neural Network,CNN）来推断基因调控网络。算法首先利用GCN提取基因表达数据的特征从而获得基因的低维嵌入表达,接着对获得的低维嵌入表达进行重构,构建基因-关系-基因三元组并使用卷积神经网络对三元组打分。GCN是专门为非欧几里得图结构数据开发的一种神经网络模型,该模型能够有效提取基因之间的相互作用关系。基于编码器-解码器结构,算法将GRNs的重构问题转化为一个分类问题,通过对三元组打分判断三元组是否是合法三元组。GraConGRN同样具有生物接近性以及结构灵活性,为了验证算法的准确性,本文将GraConGRN应用于九个模拟数据集和三个真实sc RNA-seq数据集。与已有的优秀算法相比,实验结果表明GraConGRN能够从稳态基因表达数据中准确重构GRN。