近二十多年来,数量性状位点定位和基因组选择研究成为动植物以及人类基因组学研究的热点之一。随着高密度遗传图谱的逐步建立,标记位点个数动辄成千上万,甚至数以百万计。传统的数量性状位点定位方法以及基因组选择方法,不能很好的处理这种高维甚至超高维数据建模问题。因此,为了追求更高精度的定位以及预测效果,研究者生产了大量的实验品系。设计基于这些实验品系的统计方法成为一项十分重要的研究工作。针对在动物实验中产生的多亲合作杂交小鼠品系,本文引入随机效应项来刻画个体之间存在的不均衡亲属关系,建立了联合考虑八个祖先的主基因效应以及亲源效应的混合线性模型。而针对在植物选育种中产生的甘蓝型油菜双倍体品系,本文在不同环境下的残差方差齐性和非齐性的假定下,分别建立了齐方差和异方差模型,综合考虑环境效应,基因效应以及基因与环境互作效应对表型的影响。考虑到基因型数据取值离散(0,1或者2)且位点之间存在连锁不平衡现象,通过在模型中嵌入取值0或者1的二分类指示变量,本文巧妙地将待估参数分成被选入模型和被剔除出模型两子块,并藉此设计快速高效的分块Gibbs抽样算法,减少计算时长,弥补贝叶斯算法常常被人诟病的计算时间长以及收敛速度慢等不足之处,实现变量选择和参数估计的双重目的。从本文大量的数值模拟计算和实际数据分析结果来看,综合考虑各种效应,如亲源效应,基因与环境互作效应等的全基因组模型,能较忽略这些效应的模型和现有方法,具有更高的模型解释率和更强的数量性状位点定位功效,以及更低的表型预测误差。