随着人类基因组计划的开展与现代生物技术的迅猛发展,生物信息数据的增长呈现爆炸之势,这为揭开生命奥秘提供了数据基础；计算机运算能力的提高和国际互联网络的发展使得对大规模数据的存储、处理、检索和解读提供了理论基础。而如何运用信息科学和计算技术的手段,通过数据分析和处理,揭示海量数据间的内在联系和生物学含义,解读他们所蕴涵的结构和功能信息,进而提炼有用的生物学知识,是目前生物信息学研究的目的。模体是生命密码的一种表现形式,模体发现是揭示生物序列数据中蕴涵的生物学意义的基本方法之一,是生物信息领域的一个重要的研究问题。模体发现问题是一个NP完全问题,虽然人们已经探索出了一些有效的算法,但这些算法都具有一定的局限性。随着数据规模的不断扩大和新问题的不断涌现,很多算法已无法适应问题的需要。所以,探索更加有效的模体发现算法已成为目前生物序列模体发现研究领域中的重大课题,并受到越来越广泛的关注本文首先对模体发现算法中常用的模型进行了分析,并且对基于不同模型的模体发现算法进行了研究和分析；在此基础上,提出了一种基于最大密度子图的穷尽搜索算法,将输入序列转化为一个图,图中的顶点对应着序列中特定长度的序列片段,边上的权重表示两个顶点之间的相似度,这样可将模体发现问题转化为在图中寻找最大密度子图问题,然后利用位置权重矩阵PWM (Position Weight Matrix)模型得到模体。通过对算法进行的理论分析以及在合成数据和真实数据上的仿真实验结果表明该算法能够找到最优的模体,而且能够很好的解决(15,4)挑战问题。