全基因组关联分析（Genome-wide association study,GWAS）是一种在人类全基因寻找与疾病相关联变异位点的方法,通过这项研究能更为深入地理解与探寻复杂疾病与性状的遗传机理,从而对疾病更好的预防和治疗。在过去数十年里,研究者们通过GWAS研究已成功识别了多个与人类复杂疾病关联的遗传基因位点,在探寻与人类复杂疾病相关的遗传因素方面取得了巨大成就。全基因组关联分析最初针对个体层面的数据进行,人们发现了一些与疾病显著关联的变异点,并在实验中得到证实,但人们发现有限的个体样本（通常数百数千）相对于上百万的遗传变异点样本显得非常不足,实验发现那些显著的变异点能够解释的疾病的变化比率也极低,很大一部分变化来自那些微弱的不够显著的变异点。为了探测这些效应微弱的变异点和提高疾病风险评估的精度,人们总是尽力获取更大的样本量,这通常需要付出很大成本和代价。与此同时,随着互联网技术的发展,人们也乐意发布关于GWAS的研究成果,这些结果通常是不包含个人信息以及个人层面数据的统计信息.如果将相关疾病发布的统计信息纳入个体层面数据的分析,将有望获得比只分析个人数据的方法获得微弱效应变异位点更高的识别率以及更好的预测精度,目前已经有很多统计方法关注个体数据和群体数据的集成,这些方法通常都基于疾病与变异位点一般线性相关的假设构建统计模型,复杂疾病的二分类变量一定程度违背了线性回归模型的一些假设条件。在处理因变量为二分类变量的情形时,较线性模型而言,Logistic模型的统计特性更好、计算更为方便。发展基于逻辑回归的个体数据和群体数据集成统计分析对现有一般线性的方法是一个很好的发展和补充,如何建立模型和发展快速的求解算法对现有的分析方法提出了挑战,也激励本人进行系统和深入的研究.本论文基于个体样本数据与群体的统计数据来自同一人群的假设,发展了基于逻辑回归的全基因组关联集成统计分析方法,主要分为两个部分,1.提出了基于逻辑回归的两阶段集成分析模型logi P2P（logistic posterior to prior）,该方法首先将群体数据获取的变异位点的p-值转化为关联概率（后验信息）,再将此信息作为逻辑回归中自变量的先验信息加入.2.提出了基于逻辑回归的统一集成分析模型,将logi P2P两阶段合成统一的体系,该模型将个体数据和群体数据共享的变异点的关联状态作为联系两类数据的纽带。两种模型基于变分EM推断（Vartioanl Expectation-Maximization Inference）发展了高效的算法,充分的模拟实验和实际数据的分析表明,基于逻辑回归的全基因组集成关联分析方法,能够有效的群体数据提供的信息纳入分析之中,比单独分析个体数据的逻辑回归模型在变异点识别和疾病风险预测都有显著的提升。