基因芯片(DNAMicroarray)是20世纪末生物技术发展的最主要的技术之一。近年来，基因芯片以其强大的大规模并行提取DNA或RNA分子信息的能力，受到全世界科学界和工业界越来越多的重视，在基因发现、疾病诊断以及药物发现等领域得到了越来越多的应用。基因芯片的重要性可以与20世纪50年代把单个晶体管组装成集成电路芯片相比，基因芯片技术将会对21世纪生命科学和医学的发展产生无法估计的影响。 一个基因芯片实验的流程主要包括：生物学问题的提出、实验设计、样本制备、基因芯片杂交实验、基因芯片检测、检测结果数据分析与建模以及数据分析结果的生物学验证等。可见基因芯片数据分析是基因芯片整个实验中的极其重要的一环，一个最大限度描述现象本质的数据分析模型对于实验的成败至关重要。因此，随着越来越多的针对不同生物学问题的基因芯片实验的完成，基因芯片数据呈爆炸性增长，各种各样的分析方法也随之出现。综合来看，基因芯片数据分析大概可以分为三大类：基因芯片数据预处理，包括去噪、标准化、特征基因选择以及缺失值估计等；基因芯片数据模式分类，包括各种模式识别、机器学习方法在基因芯片实验中的应用；基因芯片数据模式发现，包括功能基因聚类、疾病相关基因发现、基因共表达模式检测以及基因相互作用网络反求工程等。 由于基因芯片数据具有大数据量、高维数、多参数、非线性、高噪声、数据冗余、数据分布不均衡等特点，这就对数据分析算法提出了很高的要求。从当前研究状况来看，相对于模式发现，由于基因芯片数据预处理部分以及模式分类问题相对确定，因此这两部分内容相对比较成熟，现成的算法也比较多。因此，模式发现将是下一步研究的重点。本论文基于此基调，主要在基因芯片数据模式发现做了以下几个方面的研究工作。首先，在刻画基因间相互作用时，当前方法的结果都是一个静态的量，即基因间是一种恒定的相互作用。然而，实际情况并非如此，实际上，某种基因对其他基因的作用是一种动态的作用，这种作用是随着时间变化的。本文针对这种情况提出了一种基于时间基因芯片序列数据以及变参量回归和卡尔曼滤波的方法，用于刻划基因之间相互作用的动态变化，较之当前方法，该方法更接近于客观事实。其次，本文还提出一种基于replicatordynamics模型的方法，用于基因功能网络的检测。该方法主要是针对当前聚类方法的缺陷而提出的，结果表明该方法能比较好的用于基因功能网络的检测。最后，本文讨论了Isomap非线性降维技术的特点，并分析了其在基因芯片数据分析上的应用，同时给出了初步结果。