随着大数据时代的到来,全基因组关联分析方法已经成为生物信息领域的一个热门研究方向,并被广泛应用于医学、农业、林业、畜牧业等多个领域。全基因组关联分析方法的目标是在全基因组范围内寻找表型性状数据与基因型数据之间潜在的关系,从而挖掘出与性状有关的基因位点,揭示影响生物生长的内在遗传因素。虽然全基因组关联分析具有广阔的应用空间,但是目前大部分研究仅仅针对单个时间点或几个孤立时间点的生物量遗传因素进行分析,而在整个生长周期中,生物的性状发育具有很强的时间性,遗传因素不仅影响某一时间点性状值,更主要的是影响生物体的整个生长发育过程。目前,对动态性状进行全基因组关联分析的研究已经展开并逐渐深入,但大多数研究对模型的应用条件具有严格的限定。因此,为了进一步深入研究该问题,本文围绕树木动态数量性状进行全基因组关联分析,并以此为基础,研究和开发针对种子园布局的智能优化系统。主要内容和结论如下:1.建立基于早度（Earliness-index,E-index）的全基因组关联分析统计模型。采用三次样条差值的方法拟合每个样本基因型的生长过程,针对获得的生长函数计算早度值来区分不同生长过程,构建全基因组关联分析模型并利用置换检验方法从大量的SNP中筛选出与生长过程相关联的显著位点。实现以美洲黑杨F1代杂交群体连续24年的材积量和全基因组重测序获得的156362个SNP标记为研究对象的关联分析,验证该统计模型的实用性。2.基于早度E-index,提出改进的早度向量（Earliness-index Vector,E-indexV）全基因组关联分析统计模型。针对树木生长过程的阶段性,创建生长曲线最优分割点方法,实现对整个生长过程的最优分割,使其分割成生长趋势差异最大的两个阶段。基于相同的杨树数据,筛选出与材积量生长阶段有关的SNP基因位点,实现了相关位点与树木动态生长周期具体生长阶段的关联。结果表明,测交标记比杂交标记具有更强的生长阶段关联性。3.利用基因组选择方法对树木材积量进行预测并验证基于早度的全基因组关联分析方法的有效性。采用GBLUP（genomic best linear unbiased prediction）方法构建影响材积量生长的SNP与育种值之间的线性回归模型,实现对任意时间点树木材积量值的预测。进一步通过余一交叉验证的方式,使用该模型对三种全基因组关联分析方法（E-index、E-indexV、功能作图）筛选出的SNP的有效性进行评估。得到基于E-index和E-indexV方法筛选出的SNP集合预测性能更优,即利用该方法进行基因组选择比功能作图有更高的精度。4.基于E-index方法获得的与生长过程有关的关键基因位点信息,采用智能优化算法实现种子园无性系优化配置。改进智能优化方法中性能较好的布谷鸟算法,提出一种基于长整型的布谷鸟优化算法,并从运行速度和运行结果方面对该算法的性能进行评估。与遗传算法相比较,本文改进的布谷鸟算法的性能更优。进一步研发了种子园智能优化系统,只需要设定种子园栽种规模及栽种品种棵数的参数,就可以智能获得种子园最优种植方案,为提高种子园子代遗传多样性水平提供有效的技术支持。