基因技术的进步,对医药研发、个体健康等诸多领域具有深远影响,因此也催生了大量重要相关技术,基因比对就是其中之一。作为基因工程技术与计算机技术的结合领域,基因比对技术的主要通过计算设备,将大量无序基因序列匹配到标准基因组上,为分析生物特征提供关键数据。这对研究生物个体、种族、群落的基因特性具有重要意义,对探索未知生物信息具有深远影响。本文以Illumina公司的基因测序解决方案为基本标准,以100bp-200bp长度的碱基序列为对象,基于BWA-MEM算法和GPU异构计算平台展开研究。随着检测技术的提升,个体基因数据规模上升,这使比对算法对时效性有了更高的要求。由于传统算法难以满足个人快速检测要求,制约了相关技术的进一步应用落地,因此本文提出基于GPU的并行化加速方案。制约比对速度的主要矛盾在两方面:CPU计算能力的局限性和BWA-MEM算法固有的冗余性。围绕这两点问题,本文通过分析GPU编程中涉及到的软硬件结构,提出算法优化逻辑及实现并行方案。通过CPU+GPU混合异构编程,在任务间及任务内两个角度,对算法进行并行加速,实现效率提升。完成异构编程的工作主要有两方面:首先,在inter task维度实现任务间并行。根据基因序列的一致性原则,通过提升并行处理的任务规模,减少CPU与GPU之间的访存次数,为保证各任务间合并访存,通过设计流处理方案和扁平化数据结构,实现不同计算资源对数据的合并存取操作。同时,在intratask维度实现任务内并行。任务内并行主要分为两部分:精确比对算法(exact match algorithm)以及非精确比对算法(inexact match algorithm)。精确比对算法的核心是SMEM算法,优化上一方面通过算法级优化降低算法复杂度,另一方面通过细粒度并行对提升实现效率。非精确比对算法的核心是S-W算法,通过异步启动的方式实现warp内算法并行,合理利用高速访存以提升算法性能。本文通过任务间+任务内的方式设计了 BWA-MEM算法的并行实现模型。一方面研究GPU设备上的异构编程,另一方面通过统一计算架构(CUDA)完成软件设计。通过硬件、软件资源的彼此兼顾,有效提升了算法的比对性能。最后通过实验验证并行加速效果显著。