在生物信息领域，基于多种相互作用检测方法，产生了大规模蛋白质相互作用数据;随着下一代测序技术的快速发展，产生了大量的DNA序列数据;由于蛋白质定量精度的提高，现代质谱仪器产生了大量质谱数据，如何有效利用互作数据以理解蛋白质的生物学功能，如何对DNA序列数据进行快速、高效的压缩存储，如何提升非标记定量软件的性能，是重要的问题。　　本文主要基于以蛋白质相互作用，DNA序列，质谱数据为代表的生物信息学数据，研究相关并行算法。具体贡献如下:　　1、使用MCL算法对已知的4个酵母蛋白质相互作用网络进行聚类，基于聚类结果，利用PValue算法和Majority算法对未知蛋白质功能进行预测，结果表明，预测了新的未知蛋白质功能，更进一步，基于OpenMP，我们对PValue算法进行并行化，结果表明，取得了2倍的加速比。　　2、非流水线模型并行DSRC算法。有多种软件用于压缩/解压缩FASTQ格式的数据。其中，DSRC算法有较优的压缩率和压缩速度。因此，希望通过对DSRC算法并行化，以更快压缩FASTQ格式的数据。DSRC算法的所有压缩指令都在Process函数中执行（Process函数执行时间占全部指令执行时间的71％）。并行算法的思路是开启多个线程，读取一定的数据，多线程同时执行Process函数，以实现压缩指令的并行执行。结果表明，使用单线程，2线程，4线程，Process函数几乎有线性加速比。当线程数增加到8或者10时，相对于4线程，性能下降。　　3、基于流水线模型并行DSRC算法。经分析，DSRC算法的串行压缩/解压缩部分，压缩/解压缩操作由三种操作完成:从文件读取原始数据，压缩/解压缩数据，写结果数据至文件。基于这三种操作，提出一种运行于多核平台的多线程DSRC算法。在并行算法中，一个读线程和一个写线程分别处理输入/输出文件。同时，有多个工作线程压缩/解压缩数据。输入/输出队列用于不同线程间的缓冲区。基于上述单流水线，将算法扩展为多流水线算法，以更好发挥多核平台NUMA架构的优点。测试结果表明，相比串行DSRC算法，并行DSRC压缩部分取得24.71倍加速，解压缩部分取得22.00倍加速。　　4、测试基于MPI和CUDA优化蛋白质非标记定量算法，结果表明，单GPU上运行的加速比为8.1。16个GPU对单GPU的加速比为14.18，并行效率为89％。