微生物对生态环境、人类健康等方面起着重要的作用,探索人类与微生物之间的复杂关系以及微生物与微生物之间的复杂关系是至关重要的,而通过微生物组时间序列数据推断微生物关联网络是探索微生物之间、微生物与人类疾病之间复杂关系的一个重要环节。随着高通量测序技术的进步,产生了大量描述微生物动态过程的高维时间序列数据,从时间序列数据中构造微生物相互作用网络可以捕捉不同微生物之间或微生物与环境之间的动态关系。本文从最大熵模型和向量自回归模型出发,研究了基于微生物时间序列数据的动态交互网络预测算法,主要工作如下:第一,提出了一种基于Chao-Shen熵推断微生物交互的无参数模型。该模型建立在联合熵公式的基础上,以单变量熵和双变量互信息为约束条件,通过线性优化联合熵得到条件信息熵,从而推断微生物之间的成对关联关系。为了能够在高维数据中进行熵的估计,在最大熵模型中引入了 Chao-Shen熵估计方法。在抗生素扰动的肠道微生物时间序列样本数据上,与其他熵估计方法进行对比,验证了最大熵模型结合Chao-Shen算法的推断性能。第二,提出了一种利用图全局和局部信息的向量自回归图正则化方法推断微生物之间的交互网络。基于Laplacian矩阵的图正则化向量自回归模型只考虑了图的全局信息,但忽略了图的局部信息。本文引入了一种结合Laplacian矩阵和Vicus矩阵的正则化方法——LG-VAR模型,其中Laplacian矩阵可以捕捉网络中的全局结构,而Vicus矩阵可以捕捉网络中的局部结构,两种矩阵相结合的正则化方法更准确地模拟了微生物之间的动态交互网络。与Lasso、弹性网以及Laplacian等几种已有的正则化方法对比,结果表明LG-VAR模型的表现更好。本文改进的两种模型都适用于高维微生物数据,一个为无参数模型,另一个为参数模型,实验结果表明这两种模型在微生物动态关联研究上具有一定价值和意义,为基于微生物时间序列数据推断动态交互网络提供了新的思路。