生物学知识的快速积累始于当前正在进行的基因组计划，如何发掘出其中的科学意义成为一项极具挑战意义的工作，需要进一步的理解细胞和有机体的生物学意义，生物学序列数据的组织、分类和解析是其中的重要部分，而多序列比对则处于了其中的关键地位。多序列比对主要用于描述一组序列之间的相似性关系，通过比对可以得到基因的家族特征等重要结果。　　论文在介绍了隐马尔科夫模型和优化算法的基础上，在多序列比对问题中，通过设计智能优化算法将信息整合到清晰的概率模型中，以更有效的解决问题。本文通过使用混沌模型调整参数的粒子群优化算法，将该算法运用于多序列比对的隐马尔科夫模型中，从而构造出一种新的混沌粒子群算法训练隐马尔科夫模型的多序列比对算法。将混沌化的思想引入到粒子群优化算法中，解决了粒子群优化算法容易早熟的缺点，使得该算法具有容易实现、收敛速度快、搜索范围大等优点，提高了经典算法的搜索能力和性能。进而，通过动态惯性权重和混沌搜索范围的协同优化策略对粒子群算法的迭代速度进行优化，提高算法的性能。　　在混沌粒子群算法中，所设计的动态惯性权重和混沌搜索范围的协同优化策略，通过相关函数的仿真以及多种算法的实验对比，验证了其良好的效果。通过算法的代码实现，与其他相关算法软件的比较分析，结果表明，算法在多序列比对的匹配度上有一定的提高。