基因调控网络是生物学系统的一个强有力抽象,它对生命活动的控制是通过调控细胞内基因的表达水平来实现的。作为生物过程的核心,基因调控网络几乎控制着生物的所有细胞活动和功能,在生物的生命进程中发挥着至关重要的作用。基因之间的调控机制十分复杂,传统的湿实验很难挖掘其调控规律。构建高质量的基因调控网络是系统生物学领域一直以来都关注的热点问题。随着计算技术和人工智能理论迅猛发展,极大地促进了基因调控网络计算方法的研究。近几十年,已经有很多方法被提出并用于构建基因调控网络。挖掘基因调控规律,可以帮助了解生物的生长、分化规律,解读生物分子间复杂的调控作用关系。准确构建基因调控网络,对于揭示转录因子如何调控目标基因表达,控制自身代谢速率,适应环境变化规律具有重要意义。大数据时代下,基因组学、转录组学、蛋白质组学和代谢组学等大量的组学数据涌现,为基因调控网络的推断提供了坚实的数据基础。目前已有许多方法利用基因表达数据构建基因调控网络,但是,单一类型的生物数据可能并不能为准确高效地推断基因调控关系提供足够的信息。不同类型的生物数据能够为构建基因调控网络提供互补的信息,有效利用这些多组学数据,是构建高质量基因调控网络的关键。本文将复杂的基因调控网络构建问题转化为简单易解决的二分类问题,在此基础上基于多组学数据进行基因调控网络构建方法研究,主要工作如下:（1）针对大多数方法都是基于单一类型的生物基因表达数据和单个模型推断基因调控网络,忽略了其他多源数据在推断基因调控网络上的信息贡献和模型固有偏好性,存在生物数据利用不充分,方法精度不高且鲁棒性差的问题,本文提出了一种集成神经网络模型——Int NNs（Integrative Neural Networks）。Int NNs充分利用基因表达数据、蛋白质序列数据、启动子序列数据、CDS（Coding Sequence）数据等组学数据提取不同的数据特征,训练不同的神经网络,然后将所有基础神经网络的预测结果整合到一个集成子网络中,以利用不同数据特征和基础网络的互补信息更鲁棒的预测基因调控网络。在玉米和人类真实数据集上的实验结果表明,多源数据整合和多个基础网络的集成可以进一步提高基因调控网络构建精度。（2）针对基因调控网络具有动态特性,静态的基因表达数据无法真实反映调控网络的动态信息,且考虑到不同数据源之间存在个体差异信息,直接融合多源数据可能会覆盖掉每一个组学数据中提供的关于调控机制的一个独特的、互补的基因组观点,多数方法在多源数据使用上存在对数据整体特性和个体差异性建模不够的问题,本文提出另一种新的基于时序动态集成神经网络推断基因调控网络的方法——TDINNs（Temporal Dynamic Integrative Neural Networks）。TDINNs利用基因时间序列表达数据中的动态信息,结合蛋白质序列数据等其他组学数据共同挖掘基因调控信息,通过神经网络集成不同数据源的个体信息和多源数据的整体信息来预测基因调控网络。在真实玉米生物数据集上的实验结果显示,相较于其他对比方法,TDINNs在推断基因调控网络上性能更优。