基因组中的Motif预测算法研究结合了生物学、应用数学、计算机等学科领域，是当前生物信息学研究的一个热点。本文在研究Motif预测算法基础上，针对海量生物基因组数据库的查询搜索需求，改进了贪心EM算法用于Motif的预测和分析。　　 Motif的预测首先将生物序列中的碱基或氨基酸转化成为字符串，在不同字符串序列中寻找最大公共子串，再通过生物学特征将这些字符串提取出来，与利用实验方法得到的海量生物信息数据库匹配。寻找最大公共子串的算法设计思想和数学模型是Motif预测的关键所在，目前常用的算法有模式驱动和序列驱动之分，本文主要是对序列驱动的代表算法EM进行改进。　　 本文分别对常用的预测算法进行了算法分析研究和实验比较。　　 首先，归纳总结常见Moitf模型和算法，应用模式生物的数据库信息进行实验验证，比较了各种算法工具对真实数据集中的预测。以Meme算法为基础，结合Gibbs采样和Weeder等算法，对实验结果进行比较。实验结果表明，Gibbs采样算法和Weeder算法分别具有预测长、短Motif效率高的特点，而Meme算法预测长度范围广，但准确度不高。　　 其次，以Meme的来源EM算法为基础，将贪心EM算法作为研究对象，分析算法模型和特点，进行重新划分后并应用kd-树初始化参数的思想，然后改进算法。　　 最后，本文对改进的贪心EM算法进行仿真。采用人工数据集、真实数据集进行测试，并用Meme和我们的算法进行对比实验，通过IC值和ROC曲线的比较对预测效果进行评估。结果证明，我们的算法较Meme有更好的预测性。