利用可靠且准确的特征选择方法识别不同状态之间的差异表达基因及其交互作用在疾病诊断和预后中起着重要的作用。然而,基因组学数据一般具有小样本和高维特征的特点,这给基因组学分析带来了极大的挑战。目前已经有很多基于这种高维数据的统计方法来探索其差异表达基因和基因共表达网络。本文的研究内容主要分为两个方面:（1）构建了一个识别微阵列数据的差异表达基因的统计模型;（2）构建一个新的统计模型探索基因共表达网络的重布线模式。目前大多数方法主要通过假设检验来确定癌症的微阵列数据中的单个基因是否有差异表达。由于癌症的微阵列数据一般存在噪音,因此不能通过直接分析这些数据来检测癌症相关的基因。进而,需要新的统计方法来分析微阵列数据中基因表达水平的差异。在第一项研究中,我们使用学生t统计量来分析乳腺癌的微阵列数据。相同的基因在不同的数据集中可能有不同p值,我们将整合不同样本集中相同基因的p值来联合分析基因的差异表达水平。基于这种整合多个独立数据集的学生t统计量的p值思想,我们提出了一种新的整合多变量的群稀疏（IMGS）模型。这个模型可以学习有关乳腺癌数据中的差异表达基因。在乳腺癌的微阵列数据集中,我们将由稳定性选择确定调优参数的IMGS模型与学生t统计量方法以及元分析模型进行比较分析。实验结果表明,我们的方法比对比模型的结果都好。在高维数据的条件下,尽管所有方法都能合理的识别出真正差异表达基因。在关于基因表达数据的生物医学分析中,IMGS方法是一种更为合适的确定显著性基因的统计方法相对于对比方法。本文的第二项研究主要是通过建立一种新的统计方法来确定基因共表达网络中的中枢基因。基于推断泛癌症数据的过表达基因的特有模式,我们提出了一种新的整个差异基因共表达网络（IDCG）模型。我们采用皮尔逊相关系数刻画基因表达数据间的相关性和Fisher z变换初始化模型。IDCG模型是一种较为合适的统计分析方法来推断泛癌症数据的相关基因。同样,我们采用稳定性选择方法确定调优参数。共表达数据可以富集不同癌症的基因表达信息,这有助于对每种癌症中的中枢基因进行功能性分析。基于IDCG网络方法确定的功能基因具有相似或相同的表达模式,这有助于揭示泛癌症研究中潜在分子机制以及其差异共表达模式。