以连锁不平衡为理论依据的关联分析被认为是定位疾病位点的有效方法。单倍型,作为有序的等位基因序列,能够很好的反映多个位点之间联合的信息,所以,单倍型是关联分析中的一种重要的数据类型。然而随着生物技术的发展,得到的SNPs位点不断增加,单倍型的种类急剧增加,数据的高维、海量、稀疏性使得传统的关联分析方法的功效降低,给精确定位疾病位点带来很大的困难。一种有效的方法就是通过对单倍型聚类和分块等方法来实现单倍型的降维,然后基于降维后的数据进行建模,这样不仅能够大大降低问题的自由度,而且可以提高单倍型关联分析研究的效率。　　 近来很多统计学家在单倍型降维方面提出了很多的方法,比如单倍型的块结构学习、单倍型聚类。本文从单倍型关联分析的基本方法出发,总结了目前已有的基于单倍型的基因定位方法,并且就近年来比较热门的单倍型降维方法进行了详细的阐述和综合分析。