全基因组关联分析研究（Genome-wide Association Studies,GWAS）是指在全基因组规模范围内对基因型和表型性状/疾病进行关联分析。单核苷酸多态性（Single Nucleotide Polymorphism,SNP）是一种遗传分子标记,在基因组中数量众多,且可以检测。GWAS通常以SNP为标记,用于研究复杂疾病的致病基因,而研究全基因组SNP交互作用成为探索复杂疾病致病原理的重要方法。全基因组数据集规模大、计算负担沉重和疾病模型存在多样性。现存的SNP交互作用识别方法仍存在检测效力低、假阳性率高、运行速度较慢和疾病模型偏向性等不足。因此研究设计实现准确、快速的SNP交互作用识别算法,对于寻找复杂疾病致病基因具有重要的作用。为解决检测效力低、假阳性率高和致病模型偏向性问题,本文研究提出一种基于改进多目标优化布谷鸟搜索算法的SNP交互作用识算法DSNPE-IMOCS。该算法使用贝叶斯网络和Gini系数两个目标函数拟合不同的致病模型,采用快速非支配解集排序、拥挤度距离和帕累托策略选出SNP组合解集的非支配前沿解集,通过布谷鸟搜索得到可能与疾病关联的SNP位点组合的最优非支配前沿解集,以提高检测效力;利用候选解过滤策略对非支配前沿解集进行过滤,以减少候选解的假阳性率;利用G-test统计检验方法检验所有SNP位点组合,以获得真正致病的SNP交互作用组合及对应的p-value值和拥挤度距离值。在存在边际效应的交互作用致病模型DME和不存在边际效应的交互作用致病模型DNME的仿真数据集和真实数据集的实验结果表明,与同类SNP交互作用识别算法相比,DSNPE-IMOCS算法具有较高的检测效力和精度,减少了假阳性率。为加速多目标优化的全基因组SNP交互作用识别,研究设计一种GPU并行识别算法DSNPE-IMOCS-GPU。该算法对DSNPE-IMOCS算法中最耗时的多目标优化布谷鸟搜索阶段进行并行化处理,将该阶段中每个可并行处理的操作映射为满足CUDA并行编程模型的GPU kernel函数,使得耗时的搜索比较操作在GPU上运行,而计算简单的候选解过滤和G-test检验工作在CPU上执行,从而避免CPU端与GPU端频繁的数据传输,以实现加速计算,减少算法运行时间。在DNME模型的仿真数据集和真实数据集的实验结果表明,GPU并行识别算法DSNPE-IMOCS-GPU获得与DSNPE-IMOCS算法整体上保持相同检测效力的同时,能够成功识别出与年龄相关性黄斑变性（Age-related Macular Degeneration,AMD）相关的SNPs位点,且第一次检测出可能与AMD有关联的SNP交互作用组合（rs6967345,rs3775640）,显著减少了识别过程所需的平均运行时间,加速效果明显。