高通量测序技术的出现与发展对基因组学研究起到了重要的推动作用。短时间内基因组学数据、蛋白质组学等数据呈现爆发式的增长为生物领域的研究提供了新的方向。网络模体发现作为生物信息学的重点课题之一,其对研究目标网络中的关键调控机制以及疾病发病机制等有重要作用。网络模体指的是在一个较大的目标网络中过度呈现的子图,此类子图被认为代表了网络中关键的结构和调控机制。模体挖掘算法的复杂度一般都较高,主要表现在子图搜索和子图同构判断两个步骤。利用抽样方法可以缩小子图的搜索空间从而提高模体挖掘的效率,但不合理的抽样方式容易给模体发现带来较大误差。本文提出了多种抽样方法,用来探究更合理的网络模体抽样模型。除此之外,本文还设计了全新的子图同构判断方法,用来实现更快的判重。最后,本文运用并行技术来加速算法。主要研究工作如下:（1）为了提升模体发现的效率,本文在子图搜索树的每一层均引入等概率的无偏抽样,每一次扩展子图都只选取部分候选节点,缩减子图搜索空间的同时,也避免了基于边抽样引发的偏置问题。借助节点的类型、度数（节点的出、入度之和）等属性,将子图的同构判断过程设计为一系列串行的与节点属性有关的条件判断,加速了子图的同构判断过程。除此之外,本文还对比较耗时的子图搜索步骤引入了多线程技术,并通过实验证明随着CPU的可用核心数增多,多线程带来的时间节省比例更大。为了得到何种抽样率下抽样性价比更高,本文对不同的抽样率各进行了多组抽样实验,结果表明抽样率设置为0.5的时候本文的抽样算法可以在时间和子图还原度两个方面达到最佳平衡点。（2）本文基于复杂生物网络的无尺度属性,设计了两个抽样算法:第一种是基于节点度序列的抽样,该方法需要预先设定一个抽样比例rate,在进行子图扩展时,会根据当前被扩展节点的邻居节点集合按照度升序排列,然后按照rate比例选取节点用于形成新的待扩展节点集合。第二种是基于分层抽样的方法,该方法会对数据集中的节点度进行统计,根据最小方差分层定界法将度数不同的节点划分到各自的层中,在进行子图扩展时,根据预先设定好的抽样率计算出每一层的样本数,算法从每一层中抽取节点构成待扩展集合。通过实验证明了两种抽样算法的有效性,能够达到算法耗时和目标网络还原度之间的平衡。