全基因组关联研究是指在全基因组水平上识别与某种表型相关的单核苷酸多态变异(SNP)。由于SNP之间存在连锁不平衡性,使得SNP位点之间存在强相关性。为了降低位点之间冗余程度,减少基因分型的成本,从所有SNP位点上选择最具有代表性的信息SNP即信息SNP选择是当前研究的热点。目前已经有一些机器学习或者组合优化算法用于信息SNP选择,然而它们仍然存在一些不足,如计算复杂度高、信息量较少等不足。针对当前方法的不足,本文提出一种基于多位点连锁不平衡度量的信息SNP选择框架,该框架包含初选及精选两个阶段,其中初选阶段利用简单、计算量小的度量方法剔除大量的噪声、冗余位点,从而节约精选阶段的计算成本,而在精选阶段利用贪婪算法从候选信息SNP中精选出少量的信息SNP,主要工作如下:为了克服以往方法计算复杂度高等不足,本文方法在初选阶段设计一种新的多位点度量,然后将该度量作为优化目标,并改进蚁群算法搜索最优解,从而筛选候选信息SNP子集。与传统方法相比,本文提出的基于信息熵理论的多位点度量不仅能更为准确地描述多个位点相互关系,从而去除更多冗余信息,同时该度量优化比传统方法中预测分类过程所消耗的时间复杂度大大减少。在精选阶段,本文利用人工神经网络作为学习模型以重构非信息SNP位点上基因型,然后以预测准确度为优化目标设计贪婪算法不断从候选信息SNP子集中剔除信息冗余位点,从而提高预测准确度并减少信息SNP数目。在仿真实验中,本文在多组HAPMAP数据集上与其它方法进行比较,实验表明,本文方法在时间复杂度、预测准确度等指标上具有一定优势。