生命过程通常复杂而精细,需要许多生物分子共同参与来完成。构建并分析生物网络有助于准确地认识生物分子的功能与作用,识别生命过程中的关键生物分子,从而辅助疾病诊断、药物研发等研究。本文研究了基于分子间关联关系的生物网络构建方法,和基于差异网络筛选潜在生物标志物的网络分析方法。具体研究内容如下:1.提出了基于加权弹性网络的基因调控网络构建算法WEN（Weighted Elastic Net）。由于基因之间的调控关系比较复杂,基因表达数据维度高、样本少的特点使得真实的调控关系难以准确推理。WEN基于加权弹性网络模型构建基因调控网络,在调控关系推理的过程中对弹性网络模型惩罚项的参数进行优化,使其能够根据当前目标基因所对应的调控关系对模型进行调整。同时,将基因之间的互信息与调控关系强度相结合对惩罚项进行加权,在迭代过程中逐步削弱基因之间弱的调控关系,减少假阳性边的产生,提高所构建调控网络的准确性。本文在DREAM基因表达数据集上将WEN算法与PCA-CMI、CMI2NI、PCA-PMI、IMBDANET、DCNTC、Gene Net、DPM、reg-DPM和DSWLasso九种基因调控网络构建方法进行了比较,并进行了多组消融实验,以分析WEN算法的性能。实验结果表明,在大多数数据集上,WEN算法构建的基因调控网络的准确性高于对比方法。2.提出了基于多角度融合差异网络的特征选择算法MIDN（Multi-angle Integrated Differential Network）。生物分子之间的关联关系复杂多样,互信息、相关系数等方法从不同的角度度量分子间的相互关系。MIDN综合考虑多个角度的相关性,从线性相关、秩相关以及非线性相关三个角度分别构建差异网络并进行融合,以构建包含丰富信息的融合差异网络,并利用融合差异网络的拓扑结构特性和分子自身的差异显著性对特征（生物分子）进行评价,筛选与研究问题相关的重要特征。本文在8个公共数据集上将MIDN算法与LC-k-TSP、IBN和INDEED三种特征选择方法进行比较,并进行了多组消融实验,以分析MIDN算法的性能。实验结果表明,在大多数数据集上,MIDN所选特征的分类准确性优于对比方法所选特征。本文提出的两种算法均基于生物分子之间的关联关系进行了生物网络的构建。其中WEN算法基于弹性网络回归模型构建了基因调控网络,MIDN算法通过度量分子间不同类型的相关性构建了融合差异网络,基于差异网络分析筛选潜在生物标志物。本文在多个数据集上进行了对比、消融实验,验证了两个算法的有效性。