生物信息学是由生物学、应用数学和计算机科学相互交叉所形成的新型学科,是当今生命科学和自然科学的重大前沿领域之一。其中,生物序列比对是生物信息学中一个最基本的研究方法,而多序列比对又是生物序列比对的最基本的任务,如何获得比对质量更好、时间空间效率更高的多序列比对算法是生物信息学研究的一个重要的课题。多序列比对是NP完全问题,动态规划算法是其基本算法,它可以找到一个得分最高(或代价最小)的序列对比排列,但当序列数量增加时,计算量将呈指数增长。在实际操作中,算法都会在计算速度和获得最佳比对值之间寻求平衡。一个有效的方法是用遗传算法这种近似算法求解,但遗传算法有着易早熟、稳定性差等缺点,所以本文提出一种改进的自适应遗传算法,采用了适应度值的标定,并在进化过程中实现了群体多样性,同时利用构造神经元激活函数最常用的sigmoid函数,对交叉率和突变率进行了优化,实现了交叉率和突变率的非线性自适应调整,提高了算法的寻优能力和稳定性。位爬山算法是一种局部搜索算法,有着较强的局部求精能力,适用于基于二进制编码的函数优化和组合问题,由于遗传算法的宏观搜索能力大于局部求精能力,所以本文在改进的自适应遗传算法后期采用位爬山策略来提高解的精度。本文根据改进的自适应遗传算法设计并开发了序列比对分析程序,并将其应用于具体的核酸多序列及蛋白质多序列,通过得到的实验数据,将新算法和标准遗传算法及传统自适应遗传算法实现的多序列比对算法进行了比较和分析,发现新算法改善了多序列比对的质量,提高了算法的稳定性。