全基因组关联分析是研究复杂性状疾病和基因之间强有力的方法,单核苷酸多态性(SNP,Single Nucleotide Polymorphism)正是全基因组关联分析的主要工具,通过对SNP和疾病之间的相关性进行分析,我们可以快速的找出复杂疾病易感位点。但是由于SNP数量巨大且样本容量相对来说比较小,同时由于上位作用的影响,导致搜索空间巨大,使得对于复杂疾病易感位点的检测存在困难。本文致力于复杂疾病和SNP数据之间的关联分析研究,通过分析粒子群算法和遗传算法各自的特点及使用条件,提出了将粒子群算法和遗传算法结合起来进行SNP关联分析的方法和算法。该算法以粒子群算法为框架,通过把遗传算法的交叉变异方式引入粒子群算法的速度变换公式中,对粒子群的搜索位置进行更新,来对粒子群算法的全局搜索能力进行优化。为了在更新粒子位置的过程中针对不同种类的SNP位点,我们采用了三种位置更新的方式:强关联联合、弱关联联合和最优解联合。强关联联合指的是在位置更新的过程中我们更倾向于找寻单个SNP和疾病关联性较强的位点。而弱关联联合指的是在位置更新的过程中我们更倾向于找单个SNP和疾病关联较弱的位点。在最优解关联分析中我们在所有可能的位置穷举找到最优的位置进行更新。采用粒子群和遗传算法结合的方式一方面克服了遗传算法前期收敛慢的缺点,另一方面也将粒子群算法优秀的全局搜索能力引入,极大的增强了算法的时间效率,本文先在仿真数据集上进行试验,验证了算法的可行性及其优越性,紧接着在真实数据AMD数据上进行试验,找出了可能存在的潜在致病位点。通过实验结果之间的比较和分析,可以发现该算法在进行致病位点搜索时有着更好的性能。