单体型问题是分子生物学的一项重要研究课题，单体型信息在遗传性疾病、药物反应检测等方便起着重要作用。由于人类和许多生物实体都是双倍体结构，实验手段只能得到基因型序列而非单体型，其中还存在大量的数据缺失，而重测序意味着更大的时间与成本消耗。同时，新一代测序技术(NextGenerationSequencingtechnology，NGS)得到的生物序列更为庞大，迫切需要既快速又高精度的计算方法对基因型进行分型和补缺。本文就单体分型和补缺两个问题的快速算法进行了深入研究，主要研究内容和贡献如下：　　 1．基于均匀分块的单体分型算法　　 组合优化方法是单体分型的一种重要方法，主要是基于合理的生物学假设来寻找精确解，其中最大节约模型是一种简单而有效的分型模型。由于分型问题的难解性，当数据规模较大时，基于该模型的算法难以在可接受的时间内得到最优解，于是便产生了基于分块策略的快速方法研究。此前的分块方法主要是基于位点之间的连锁不平衡特性，将较高关联度的位点划分到同一块内，合理的分块尽管能够提高分型的准确度，但计算位点之间的关联度和块间合并会有较高的时间开销。为此，本文提出了一种带有重叠位点的均匀分块单体分型快速算法FHBPGL，该算法采用均匀分块且在块内使用最大节约模型进行分型，均匀分块减少了分块时间；利用块间的重叠位点进行贪心合并，提高了结果的准确度。真实数据与模拟数据上的实验结果表明，FHBPGL算法运行时间显著减少，优于已有的算法，在结果准确度上与这些算法相当。　　 2．基于连锁不平衡的自参考补缺算法　　 实验测得的基因型或推导得到的单体型大多存在缺失位点，而重新测序代价过高，因此需要利用计算手段进行补缺。当前的补缺算法大多是利用已有数据库作为参考，对缺失序列进行补缺；然而，对于新物种以及缺乏足够参考数据的序列，这类算法并不适用。本文提出了一个基于自参考的补缺算法，将缺失数据序列进行分块，之后利用块内完整数据作为参考进行补缺。该补缺算法的设计思想有如下三点：第一是分块后块内序列长度变短，块内完整序列比例大大增加，可以作为参考数据对剩余不完整序列进行补缺；第二，块内位点之间具有较强的关联度，因此序列模式数量相对有限，缺失序列与完整序列相匹配的概率大为增加；第三，分块策略同时也减少了算法的处理时间。通过真实数据与模拟数据上的实验，我们的算法与其他自参考补缺算法相比取得了更好的精度；与带参考算法相比的准确度相当，而平均运行时间仅为9s，远远小于其他算法(大于1h)。