目前,研究人员能够利用GPU架构并行处理分子系统发育的问题,相比之前在多核处理器上实现的并行层级更加丰富,运算效率也更高。然而,由于缺乏系统可靠的蛋白质序列并行分析算法,许多系统发育分析工具不能有效地在GPU上使用。本课题试图通过研究蛋白质序列条件似然概率计算的工作负载、资源利用率、负载水平变化对性能的影响,提出一种更有效的tgpMC~3方法在GPU上并行处理蛋白质序列数据,改进之前方法的缺失。本课题为保证输入序列的总长度达到线程块尺寸的整数倍,利用NEs重新构造CLPs矩阵,不仅消除了条件分支发散而且减少了 GPU代码级别的优化。此外,为增加流多处理器上可调用的活跃线程块数目,本课题针对蛋白质序列分析提出了粒度适中的半任务间并行策略。在数据加载方面,本课题在常量存储器中建立了哈希表,通过简单的键值对应方法加载含有模糊状态的转移概率矩阵,实现数据访问速度的提升。与1个CPU核心上运行的MrBayes MC~3串行方法相比,本课题提出的tgpMC~3并行计算方法在天河一号超级计算机的1个GPU运算节点上,实现了 117.91×的峰值加速比。与迄今为止性能较优的taMC~3算法相比,本课题提出的方法在性能方面更为出色。对于真实数据集和模拟数据集的分析,本课题提出的方法在一个GPU节点上相对taMC~3分别实现了1.79～2.36×、2.35～2.66×的加速比。实验结果表明,大规模系统发育似然估计算法tgpMC~3具有突出的性能优势。