近年来,随着生物测序技术的突飞猛进,现代生物技术的研究取得了突破性的进展,生物序列数据以前所未有的速度增长。人工分析和处理生物序列数据已无法满足需要,如何分析和处理如此庞大的数据,以及理解这些生物数据所表示的生物意义,已经成为当前重要的研究任务。DNA序列中的模体发现是生物信息学中最基本的问题,它涉及到基因的发现、转录因子结合位点的发现、启动子的发现等生物学问题。生命性状由基因决定,当前基因如何决定性状的研究已从单个基因决定作用转向多个基因的协同作用研究。DNA序列调控区的模体对DNA的转录翻译起着重要作用,因此对调控区motif的分析具有重大意义和理论价值。同时,识别这些模体对基因组解码也起到了非常重要的作用。目前,已经有很多算法被用来解决模体发现问题,例如Gibbs采样算法,MEME算法等。本文首先对模体发现算法中常用的模型进行了分析,并且基于不同的模型对上述几种传统的模体发现算法进行了分析和研究。这些传统的算法都假设模体内部各个位置之间是相互独立的。但是最近的生物实验证实,模体内部各个位置之间并不是完全独立的,有的模体的各个位置之间存在明显的依赖性。这种依赖性应该被用于模体识别以提高模体识别的精度。本文正是基于这种考虑,将模体内部的依赖性引入得分函数中,基于Gibbs采样算法提出了PIGS算法,进行motif识别。同时改进了Gibbs采样算法的收敛条件和相移方法。在合成数据和真实数据上的实验结果表明,查找出的模体在准确度方面有较大的提高。