第二代DNA测序技术虽然通量高,并保持了高精确度,但是由于序列长度较短,当参考基因序列较长时,无法跨越重复区域,从而使下游分析受到挑战。第三代DNA测序技术能够产生更长的序列,虽然能够弥补二代测序产生的不足,但缺点是测序序列的错误碱基个数也会增加,因此,正确率大约只有85%。在这样的情况下,研究者们将短读（SRs）序列和长读（LRs）序列优势互补,使用精确度较高的短读序列对错误率较高的长读序列进行纠错,在尽可能不损失序列长度的基础上提高序列的精确度。虽然一条LR序列的错误率大约在15%,但是相比于整条LR序列,正确的碱基仍然占较大比重,如果对整条LR序列进行复杂的纠错计算,不仅会消耗运行时间,还会造成过量的内存占用。因此,在Hercules算法的基础上,本论文提出了一种基于分段的隐马尔可夫模型（p HMM）的混合纠错方案,对于长读中匹配较好的部分不做处理,未被覆盖的部分或者匹配效果不好的部分进行p HMM纠错,在保持较高精确度的同时优化运行时间。纠错部分主要分两步,基于短读对齐的预处理和基于p HMM的纠错。本论文的优势是在Hercules的基础上将隐马尔可夫模型和对齐器相结合,采用分段的思想对序列进行纠错处理,在一定程度上既减小了对对齐器性能的依赖,同时,也减少了使用隐马尔可夫模型进行全局纠错的运行时间。为了评估本方法,我们将其应用于两个实验数据集,大肠杆菌数据集和酿酒酵母数据集,并且我们将实验结果和未压缩的Hercules纠错阶段进行对比,发现在保持精确度的同时,大肠杆菌的运行时间降低了65%,酿酒酵母的运行时间降低了4.7倍。