复杂疾病严重危害人类健康，其危险因素分析十分重要，是科学研究的前沿领域之一。本文主要讨论复杂疾病危险因素分析中的若干统计问题，包括：危险因素建模中的稳健的变量选择问题；遗传因素分析中基因间交互作用的识别问题；蛋白质相互作用网络的预测问题。本文的主要工作如下。　　 一、提出了在线性回归建模中含有离群点时的变量选择方法——稳健向后删除法。和已有方法相比，该方法的计算量较小，能用于分析大规模数据集。模拟结果和实例分析都表明，该方法能消除离群点对变量选择的影响，得到正确、稳定的结果。稳健向后删除法中识别诸子模型的离群点是基于本文提出的一种离群点识别方法——两阶段法。作为线性模型下的离群点识别方法，它能很大程度上克服掩盖和淹没效应。　　 二、改进了原有分析基因与数量性状间关联关系的CPM方法，即提出了寻找基因型最优划分的贪婪搜索算法，称之为GOP方法。CPM方法用穷举法寻找最优划分，只能分析基因间的二阶交互作用。GOP方法在保证足够精度的同时，大大减小了CPM方法的计算量，使之能分析基因间更高阶的交互作用。将该方法用于高血压数据分析，发现了关联的基因，其中包括三阶交互作用。　　 三、发现了具有协同进化关系的蛋白质组的正态性特征，并提出了识别蛋白质协同进化组的同源性聚类算法。该方法能预测蛋白质相互作用网络，并能给出判断蛋白质两两之间是否具有强相互作用的合理阈值。文献中原有的方法只能描述蛋白质两两间的相互作用，而且不能给出定量的判断准则。