随着基因组计划的实施,新的分子生物信息数据大量涌现.如何从中得到有价值的知识是一项非常艰巨的任务.生物信息学就是为了满足这一要求而迅速发展起来的.在生物信息学中,对序列数据进行相似性比较即序列比对,是一种基本的信息处理方法,它对于发现生物序列中的功能、结构和进化的信息具有非常重要的意义.而序列比对就是运用某种特定的数学模型或算法,找出两个或多个序列之间的最大匹配碱基或残基数,比对的结果对应了算法在多大程度上反映了序列之间的相似性关系以及它们的生物学特征,因此,设计一个合理高效的序列比对算法已成为生物信息学领域中的一个非常重要的研究课题.在该文中,我们主要研究多序列比对算法.该文首先介绍了生物信息学的起源、发展以及研究内容,给出了生物信息学的定义,介绍了序列数据库和序列分析中的难点.然后介绍了多序列比对的定义以及相关的概念,并概括介绍了一些多序列比对的算法,分析它们的优劣.接着重点研究了基于HMM的多序列比对.然而,一个很重要的问题是目前的HMM参数估计算法——不管是对已比对的一组序列的Viterbi算法还是对未比对的Baum-Welch算法,都只能找到局部最优比对,找到全局最优比对的训练方法是一个未解决的问题.想要揭示一组序列的相似性,如果陷入局部最优,容易得到错误的结论.所以如何避免局部最优,是HMM参数估计算法的当务之急.该文针对此算法全局最优问题提出了基于遗传算法的HMM参数估计,与已有的训练算法相比,遗传算法在搜索全局最优时具有突出的优势.从实验结果也证明这一点.