随着DNA芯片技术的广泛应用，基因表达数据分析已成为生命科学的研究热点。DNA微阵列技术是一种研究细胞中基因表达模式的非常有效的技术。这种技术而临的主要挑战是如何分析由此产生的大量基因表达数据。最近，一种新的基因表达数据--时序基因表达数据受到了越来越多的重视。时序基因表达数据根据细胞循环过程，在不同时间点对各基因采集相关数据。目前，虽然已有多种算法可以对时序基因表达数据进行聚类分析(如k均值聚类方法、层次聚类方法，基于统计模型的聚类方法等)，但这些方法通常把时序基因表达数据看作是普通的多维空间向量，数据中时间上的自关联信息完全被忽视，不能有效影响到聚类的最终结果。 本文研究目的是为了探索新的时序基因表达数据聚类算法，并提出了一组基于自回归模型的动态聚类算法。文中网顾了当前主要的聚类分析技术以及评价聚类效果的评价算法，简要介绍了时序基因表达数据。本论文重点是：(一)建立了一种改进的基于自回归模型和贝叶斯后验概率的动态聚类分析算法，阐述了应用该算法进行时序基因表达数据聚类分析的原理和方法；(二)建立了一种基于自回归模型的模糊动态聚类分析算法，阐述了应用该算法进行时序基因表达数据聚类分析的原理和方法。针对原始动态聚类分析中仪利用类条件概率密度(也称似然度)的问题，根据贝叶斯理论，提出了改进的基于贝叶斯后验概率的聚类算法。同时结合模糊理论，提出了模糊动态聚类分析算法，利用模糊隶属度来调节自回归模型的动态预测过程，克服了原始聚类算法中自回归模型中自回归阶数p=1的局限性。本文最后还利用回归技术对时序基因表达模型做了一些探讨。论文采用MATLAB来编程实现了文中提出的算法，选取了一些数据集来进行实验。实验结果表明，本文提出的方法是有效的、可行的，并且与现有的一些聚类分析方法相比，更为有效。