条件独立图模型是一种刻画随机变量之间条件相关关系的方法,具有可解释性强以及易于可视化等优点,是网络分析的常用工具,具有较为重要的研究意义。然而,随着信息技术和数据存储技术的发展,可能存在不同来源或形式的数据集皆能对同组变量的条件独立图的结构进行估计。这些数据集具有差异性,无法简单合并,但是,如果仅利用单一数据集进行建模,那么利用不同数据集得到的条件独立图的结构可能并不一致,同时,也忽视了数据集间的关联性,造成了信息的损失。而整合分析旨在综合不同数据集,以利用更多原始信息,同时兼顾并挖掘数据集间的差异性和关联性,是解决上述问题的有效方法。由此,本文基于广义线性模型和邻域选择方法,提出了条件独立图模型的整合分析方法。本文提出的方法遵循整合分析的基本思想,对于每个节点,同时训练多个模型,并且使得模型之间共享参数。在高维的情况下,模型的估计则采用加入Group Lasso形式惩罚项的拟似然估计方法,Group Lasso的使用能够帮助我们更好地利用整合模型进行邻域选择。而模型的计算则借助近端梯度算法。同时本文介绍了如何借助两部分模型的思想,将该方法推广至对“零膨胀”型数据构建具有较强泛用性的条件独立图模型。本文针对提出的方法进行了多角度的模拟分析。模拟结果表明,以AUC作为评价指标,当不同的数据集间具有相互联系时,整合的条件独立图模型的表现优于通过单一数据集构建条件独立图的方法,并且具有更强的稳定性;同时,与现有的局限性较强的对“零膨胀”型数据构建条件独立图模型的方法相比,本文所提出的方法在不同数据类型的场合下的表现都要等于或优于该方法,具有较强的泛用性。最后,本文将该方法应用于利用Medicare数据构建人类疾病网络,该人类疾病网络的构建基于医疗诊断数据住院时长和再入院次数,能够从新的角度加深我们对疾病间关联性的理解,同时促进提升公共卫生管理的质量和效率。