摘要旨在将多层感知机(multilayer perceptron,MLP)应用于绵羊限性性状基因组选择中,并在多种情况下与其他经典基因组选择方法进行比较分析.本研究利用Qmsim软件模拟2个绵羊群体Pop1和Pop2的表型数据和基因型数据.在MLP中使用人工神经网络(artificial neural network,ANN),线性模型中使用约束性最大似然法(residual maximum likelihood,REML)估计不同群体的遗传参数.利用Python语言自编MLP模型,利用DMU软件实现最佳线性无偏预测(best linear unbiased prediction,BLUP)、基因组最佳线性无偏预测(genomic BLUP)和一步法(single-step GBLUP,SSGBLUP)模型,评估不同情况下各方法遗传力(heritability,h2)和育种值估计方面的差异.各情况下,MLP和SSGBLUP均显著(P＜0.05)优于GBLUP和BLUP.在3种情况下MLP的h2估值与SSGBLUP差异不显著:h2为0.05,标记数为10K且QTL数为100时的Pop2群体;h2为0.2,QTL数为500的两个标记数下Pop1群体和QTL数为100且标记数为50K时Pop2群体;h2为0.5且QTL数为100时,标记数10K下Pop1群体和标记数50K下Pop2群体;除上述情况之外,MLP的h2估计结果均显著(P＜o.05)优于SSG-BLUP、GBLUP 和BLUP.在不同h2 初值下,QTL数和标记数变化时,Pop1和Pop2群体中MLP的h2估值与当代群体h2的差值小于SSGBLUP、GBLUP和BLUP;SSGBLUP和GBLUP法在不同标记数下遗传参数估计结果差别较大,MLP差别较小.在各情况下,MLP基因组估计育种值(genomic estimated breeding value,GEBV)的准确性均为最高.h2初值为0.05时,MLP在标记数为10K时GEBV准确性略高于SSGBLUP在标记数为50K时的预测准确性.在h2、QTL数和标记数相同的情况下,Pop2群体中各方法的EBV预测准确性较Pop1群体均有提升.根据上述模拟结果表明,在绵羊限性性状基因组选择中,MLP优于其他经典基因组选择方法.