基因组选择是指使用同时覆盖全基因组范围内的标记进行育种值估计。由此得到的估计育种值称为基因组育种值(genomic estimated breeding value.GEBV)。目前基因组选择已逐步成为畜禽育种领域的重要技术手段，当前对基因组选择方法的探讨正在不断深入，其中有效的模型及其算法对提高基因组选择的准确性具有重大现实意义。本论文对畜禽基因组选择中贝叶斯方法作了详细的概述，选用两种策略算法进行基因组选择中贝叶斯方法参数优化的研究与应用。（1）对BayesB和BayesCπ方法中的自由度和尺度参数进行优化：本研究是在BayesB和BayesCπ方法的基础上进行优化改进，依据层级贝叶斯定理，对效应方差服从尺度逆卡方分布中的自由度和尺度参数进行优化。它们需要在每次迭代中进行抽样，而不是预先设定的固定值，最终抽出符合实验群体的参数，以提高基因组育种值估计的准确性。针对以上BayesB和BayesCπ的改进方法，分别命名为BayesFB和BayesFCπ，程序均用C语言自主编译完成，并利用模拟数据集验证BayesFB和BayesFCπ程序的可靠性。其模拟数据包括两部分。第一部分：用GPOPSIM程序模拟表型和基因型文件，模拟不同的QTL数（50，200，500，1000）和不同遗传力（0.05，0.2，0.5，0.9）进行研究。每个模拟重复10次，以验证该模拟程序的可靠性；第二部分：利用QTL-MAS2011公共数据集验证程序的可靠性，并用BayesA、BayesB和BayesCπ程序与BayesFB、BayesFCπ作对比研究，比较基因组育种值估计的准确性。结果表明：对于两组模拟数据，BayesFB和BayesFCπ分别与未优化之前的BayesB和BayesCπ相比，基因组育种值估计的准确性均有所提高。（2）对BayesA方法进行优化，重新获得自由度和尺度参数的先验，探讨研究如下：假设不同的性状具有特异性的自由度和尺度参数，先用RRBLUP方法或GAPIT程序重新获得自由度和尺度参数的先验，然后再将这两个参数代入到BayesA程序中进行计算，这个方法称为BayesPA。模拟数据集显示：不同的自由度和尺度参数对基因组育种值估计的准确性有一定的影响，相对于BayesA方法，BayesPA方法的基因组育种值准确性有一定的提高。（3）利用824头中国肉用西门塔尔牛真实数据集，通过BayesA、BayesB、BayesCπ、BayesFB和BayesFCπ方法，以及BayesPA方法进行基因组育种值估计，并比较这些方法的准确性。本论文用了其中五个评价肉牛生产性能的重要经济性状：宰前活重、胴体重、里脊重、屠宰率和净肉率，并做出宰前活重、胴体重、里脊重的效应图谱。结果显示：BayesFB和BayesFCπ方法在真实数据集中准确性并未提高，而BayesPA相对于BayesA方法，准确性有很大提高。