随着生物学的发展,对单个基因的功能分析已经很难从根本上满足人类对于生命现象规律的研究,因此关注基因之间相互关系的基因调控网络成为研究热点。基因调控网络从系统角度反映了各个基因之间的动态相互关系,对其建模与分析能从本质上理解细胞活动和疾病基因的功能机制,为从系统和整体角度研究复杂疾病的发病机制及药物研发提供依据。目前国内外对于基因调控网络的研究更多地集中于建模算法研究,没有考虑到生物过程连续但是实验数据却是离散这一问题,且没有结合具体调控网络进行网络动力学分析。本文基于生物学实验数据,利用最大期望值(Expectation Maximization,EM)算法和连续-离散扩展卡尔曼(Extended Kalman Filter,EKF)算法对酵母蛋白合成调控网络和p53基因调控网络进行建模和辨识,然后对网络特性进行研究。主要研究内容如下:1)基于酵母蛋白合成微阵列数据,利用EM算法对于建立的动态、随机、含有噪声的基因调控网络模型进行参数和状态的联合辨识,同时对模型进行验证,并分析模型的稳定性、准确性以及可行性。结果表明,该算法可以准确地建立酵母蛋白合成网络,所建立的基因调控网络是稳定的,且具有较好的预测能力。2)基于p53相关基因的微阵列数据,利用EM算法分别建立了细胞受电离辐射后p53相关基因多回路网络前期和后期的基因调控模型,之后利用LMI工具箱计算前期和后期模型的鲁棒性和响应性。结果表明,细胞受到电离辐射后,p53相关基因多回路网络的鲁棒性稍微减弱,而响应能力增加。3)建立p53-Mdm2调控网络的非线性、随机、动态、含有时滞和噪声的模型,基于连续-离散EKF算法,对模型参数和状态进行联合辨识,结果表明该模型可以准确地模拟p53-Mdm2调控网络受到电离辐射后的响应过程;以电离辐射的剂量作为p53-Mdm2调控关系的输入,研究在不同的电离辐射剂量下p53-Mdm2网络的响应情况,结果表明该模型可以准确模拟在不同辐射剂量下p53-Mdm2网络的响应过程。本文建立了酵母蛋白合成网络模型、p53相关基因多回路模型以及p53-Mdm2网络,建立的模型可以准确预测网络的响应过程,对网络特性的分析结果与实验相符。所提出的方法为生物学实验建模和系统动力学参数辨识提供了有效的方法,并可以为网络系统动力学特性的研究提供基础。