转录因子结合位点是调控区域的特定的DNA片段，又被称作模体，是重要的基因调控元件。在真核生物中，多个转录因子结合位点组成顺式调控模块(CRM)，对临近的基因的表达提供着更为复杂的调控功能。人们逐渐的从对单个转录因子结合位点的研究转向对顺式调控模块的研究。如今，用计算方法识别顺式调控模块是生物信息学的一个热点问题。针对HMM模型在顺式调控模块识别中的应用问题，本论文的主要工作如下：研究了当今HMM模型在CRM模块识别方法中的应用情况，发现现有模型没有很好的描述模块内的模体相关性。本文提出了一种新的HMM模型用于描述这种相关性。在这个模型的基础上，提出部分参数设定的规则以降低模型的复杂性，提出一种基于Viterbi算法的参数学习过程。进一步用Baum-Welch算法和这个新的学习算法训练部分参数，用Viterbi算法识别模体。根据合成序列进行了实验分析，证实本模型可以很好的应用于调控区域相关模体的识别和分析上。提出一种CRM模块识别的方法TSHAS，该方法是一个基于HMM模型与序列统计的两阶段的方法。在HMM模型部分，先用假设检验在序列中选出满足条件的所有模体实例，在这些模体实例上构建了相邻模体相关的HMM模型，用来去除模体实例的重叠现象；采用了改进的Viterbi算法来解码序列，并用基于Viterbi算法的学习过程调优模型参数。在序列统计部分，模拟了HMM模型输出的序列得分在随机情形下的分布的情况，进一步，根据窗口得分的P-值计算，把序列上得分显著的窗口作为最终结果输出。用基准测试库与现行的几个方法进行了比较，证实了TSHAS方法有一定的优越性。