多重检验是数据统计学分析的一种重要手段,其在生物信息学、基因组学等方面有着大量的应用。本文探讨多重检验技术中错误发现率控制及正确原假设比例估计两类问题,并且将它们用于微阵列数据差异基因的筛选。本文首先在给出多重检验相关理论的基础上,指出在多重检验中最重要的是控制犯第一类错误的概率,这一类问题主要通过控制FWER和FDR两个测度来解决。FWER作为传统的控制方法过于保守,Benjanimi&Hochberg(1995)提出的FDR标准缓解了FWER取值过于严格的问题,并且在检验两个总体是否具有明显差异的问题上更具优势。本文对四类能有效控制FDR的算法进行深入研究,以控制FWER的Bonferroni算法作为其他算法比较的基准,使用模拟数据对各种控制算法进行比较,并且对原始p值进行优化调整,在新的p值集合下比较每种错误率控制方法的功效大小。模拟结果显示q值方法可以在很好的控制FDR的同时保持最高的检验功效。正确又有效的估计原假设比例m0是多重检验中的一项重要任务,本文通过模拟实验比较了几种主要的正确原假设比例m0估计方法,并且对Jiang&Doerge(2008)提出的均值法提出改进,用三次样条法取代原来的bootstrap法来划分估计区间,进行模拟实验。结果表明同比李伟(2014)的样条平滑估计方法,本文提出的方法能够更为准确地估计m0。再者,本文使用Hendenfalk(2001)报告的乳腺癌数据以及Feng Pan,Tie-Lin Yang.et al(2009)文中的B细胞数据进行实验,将上述几种估计方法用于微阵列数据的基因筛选,与Hochberg&Benjamini(2000),Storey&Tibshirani(2002)以及Langaas,M.et al.提出的减密度算法(2005)相比,本文方法能够找到更多的基因,或者在找到相同有效差异基因的情况下,寻找到的总基因数目更少。而且本文改进的均值估计法和李伟的算法的功效不相上下,检测出的差异基因也相同,这就证明了改进方法估计正确原假设比例的有效性。