生活中我们随时随地接受到各种信息,而信息通常可以抽象为有限字符组成的序列。以DNA为例,它是由A、C、G、T四种碱基有机结合构成的序列。寻找多条序列的最长公共子序列（即MLCS问题）是序列挖掘中最重要的研究方向之一,它在生物信息学、模式识别、文本分析等领域有着广泛应用。但是,在大数据时代,MLCS问题中需要研究的序列数量越来越多,长度越来越长。很多算法无法在可接受的时间内完成求解,甚至会出现内存溢出的问题。因此,更高效更实用的MLCS求解算法的需求日益迫切。本文首先总结了MLCS问题的国内外研究现状,然后针对现有算法存在的不足提出了两种新的求解方法。（1）提出了一种节省存储空间的分支定界法。首先,设计了一种更为合理的下界估计策略。对序列构造局部的有向无环图（DAG图）,每一层保留结点时同时考虑匹配点坐标的大小及分布情况,使得到的真实公共子序列尽可能长。然后,设计了一种更简单的上界估计策略。定义新的概念“边界点”,利用边界点的性质推导出新的上界计算公式。这样,对得到的新匹配点可快速估计它所在分支的长度上界,只有当上界不小于下界时才将它加入到图中。另外,设计了节省存储的图模型。令DAG图在任何时刻只保留入度为0的结点,而每个结点存储的是从源点到该结点经过的路径对应的字符串集合。基于标准数据集,将新提出的算法一与几种有代表性算法进行对比实验,证明了算法一是有效且高效的。（2）设计了一种快速构造DAG图的分支定界法。通过对提出的算法一进行分析,发现它存在一些不足。由于它逐层构图,对每一层产生的新结点都要进行上界估计,而很多结点会多次出现在不同层,所以会对大量结点进行重复的上界计算。针对这一点,设计了一种实时更新的下界估计策略和新的上界估计策略,并且对算法框架进行调整。首先,从源点出发快速构造完整的DAG图,保证图中没有重复点。然后,从终点向源点进行深度优先回溯,回溯时对经过的结点进行上界估计,及时删除冗余点及冗余点所在分支,并根据回溯得到的序列的长度对下界进行实时更新。下界实时更新策略进一步提高了算法的剪枝能力。当所有分支回溯完毕,所有的最长公共子序列也就得到了。另外,由于图的规模过大时系统存储的数据会超出内存,本方法附加了物理方法,在构图时采用内存与外存协同调度,将部分数据结构存储到外存中,使系统能保存更大的DAG图。将新提出的算法二与几种有代表性算法在标准数据集上进行对比实验,实验数据显示算法二能处理更大规模序列的MLCS问题。