2005年全基因组关联分析(GWAS)的成果首次发表,在过去的10年中随着SNP(Single Nucleotide Polymorphism)测序技术的快速发展,全基因组关联分析已逐步在物种重要经济性状、植物育种、基因改良以及人类复杂疾病等方面有所建树,成为一种重要的研究手段。目前已有许多方法可用于SNP检测,但是由于相关技术的约束,无论用哪种检测方法所测出的SNP数据均是带有缺失值的,重新检测则会耗费大量的时间与成本,若对这些缺失值置之不理则会影响后面的GWAS工作。隐马尔可夫模型(HMM)在生物信息学中应用的范围越来越广泛,和其它模型相比,HMM具有应用弹性大、适用范围广、参数往往具有现实意义的特点,本文中的算法所建立的模型就是应用上述特点所改进过的HMM,是一种非齐次的HMM,即状态的转移概率不仅和前一时刻的状态有关还与具体的时刻有关,所以对相应算法,前向-后向算法,Viterbi算法进行了合理且必要的调整以适应改进后的模型。本文通过对HMM的研究以及对现有补缺算法的分析,提出了一种基于HMM的高效、快速的补缺方法。本算法的特点是补缺时所需的生物学信息少,运行速度快,适合对动、植物SNP的单体型数据进行补缺,算法首先建立SNP数据补缺问题与HMM的映射关系,然后利用SNP位点间的连锁不平衡度可以很好地反映出SNP位点间的关系的特点,以更快的速度计算出合理的HMM参数,再把数据补缺问题转化成HMM的解码问题,从而以更快的速度进行缺失数据的补缺,最后通过用不同的有效性对补缺的结果进行评价。本文提出一种在没有参考数据集条件下的补缺算法,该算法合理利用了有限的数据信息和SNP位点间的连锁不平衡性,利用滑动窗口的方式对包含缺失位点在内的窗口中的单体型的频率进行估算,选取最有可能的单体型进行缺失位点补缺,本算法适用于对尚未建立参考数据集生物的SNP数据进行补缺,且补缺的正确率随着SNP位点间的连锁程度的提高而提高。