线性混合模型（LMM）能够综合考虑群体分层、家系结构和复杂的样本间亲缘关系等混杂因子,已成为全基因组关联研究的有力工具。同时分析多个相关表型时,多元线性混合模型（mv LMM）不但可以检测一因多效性数量性状核苷酸（QTNs）和同时也可以检测仅控制一种性状的非一因多效性QTNs,即一因几效QTNs。从统计上来讲,多变量分析比标准的单变量分析具有更高的统计效力;从生物学上讲,使用具有高连锁不平衡性的一因多效性QTNs和一因几效QTNs可以解释多个性状之间的遗传关系如何产生。基于基因组方差组分,我们通过使用典型相关变换将多变量混合模型关联分析转化为多个单变量混合模型关联分析,然后使用Single-Runking逐个性状执行单变量混合模型关联检验。该方法与其他mv LMM相比,大大增加可同时分析的性状个数,同时得到的效应也可以再通过一次典型相关变换回原始尺度,使关联结果具有生物学解释性。此外,我们借助GEMMA软件快速估计基因组协方差矩阵,并在回归扫描时,仅针对影响较大或具有较高显着性水平的标记优化了多基因遗传力,从而大大提高了多个单变量关联检验的计算效率。除了逐个标记的回归检验以外,使用联合分析显着提高了检测QTN统计效力。本研究基于C++语言开发了便捷使用的mvRunKing软件,可以高效实施多变量混合模型关联分析。本研究分别基于人类和玉米数据两个基因组数据集,进行了不同遗传和剩余相关组合条件下多性状模拟。计算机模拟试验结果表明:（1）当低复杂结构群体中性状间的遗传相关远大于剩余相关,优化前的mvRunKing与采用Wald检验的GEMMA具有近乎相同的检测QTNs统计效力。只要残差相关不太大,多性状PCA也会产生与优化后的mvRunKing相同的结果。通过多次检验获得的多个QTNs候选物的联合关联分析使mvRunKing能够提高QTN的统计检测效力。（2）当所分析的性状数增加时,GEMMA的运算时间随着被分析性状数量的增加而急剧增加,而mvRunKing几乎没有内存限制,比GEMMA的运算时间减少了数倍至数百倍。通过对尼罗罗非鱼（Oreochromis niloticus）多个生长性状的全基因组关联分析证实:mvRunKing在保证与GEMMA方法相同的统计功效的情况下,运算时间比其快几倍至数百倍。