基因调控网络的研究对揭示生命活动和疾病演化规律等具有非常重要意义,是生物信息领域的研究热点之一。目前很多已有的研究都着眼于静态基因网络,即假设基因调节作用是恒定的,不随时间变化的。但是在实际中,基因调节作用往往会随着时间或者环境的变化而变化,而且基因之间的调节作用经常存在时间滞后效应,即某个基因的表达水平会受到其它基因历史表达水平的影响。此外,基因数据自带的高维特性使得基因网络建模问题非常具有挑战性。本文尝试对考虑时间滞后效应的动态基因调节网络进行基于函数型数据的建模。首先,本文通过一系列带有滞后项的函数型卷积模型对调节作用的动态过程进行建模,然后利用非参数的方法对系数函数进行估计。函数型卷积模型不仅允许系数函数随时间变化（假如调节作用不存在则将系数函数压缩到0）,还可以灵活考虑调节作用的时间滞后效应。本文引入函数型SCAD方法来估计具有时间和变量双重稀疏性的有向动态调节网络。通过对系数函数支撑集上的细分小区间进行惩罚,函数型SCAD既可以得到系数函数的光滑估计,又能够识别出某个基因具有调节作用的时间区间,同时实现变量选择的功能。通过大量模拟,本文验证了函数型卷积模型结合函数型SCAD方法不仅能够准确地筛选出真实的调节变量,而且能够精确地估计出系数函数。单条基因曲线的观测点数越多,模型估计结果越精确,置信带越窄,这也说明了估计结果具有相合性。在实际数据分析中,本文先利用基于函数型主成分的聚类法将果蝇基因数据聚成23类,同一类中的基因表达水平相似,称为共表达基因,并称由共表达基因构成的类为功能基因模块。然后计算每个功能模块表达水平的均值函数,最后用本文提出的函数型卷积模型对不同功能基因模块之间的动态调节过程进行建模,发现了不同功能基因模块之间的相互调节关系。