多序列比对(MSA)是一个在生物信息分析领域的经典和广泛应用的技术。随着生物数据集规模的急速增长,为了严格控制执行时间,提高系统效率,对多序列比对的优化研究成为重要的课题。在单用户多序列比对场景下,很多研究工作忽略了在序列个数和长度上规模都较大的数据集,而且较少考虑基因序列的高相似度问题。另外,在之前的多序列比对并行研究工作中,只考虑到GPU的并行加速能力,较少关注空闲的CPU资源。对此,本文提出CMSA,一个处理大规模高相似度的生物序列比对问题的,利用CPU-GPU混合架构并行优化的系统。CMSA将Center-Star算法的第一步骤的时间复杂度从O(mn~2)降至O(mn);不需用户设定,自动根据硬件条件进行任务分配,参数设定等以达到最佳优化效果;充分利用CPU和GPU的计算资源,使两者协同合作。实验结果显示在一块GPU K40C的单节点环境中,CMSA在保证准确度的情况下,相比串行的研究成果HAlign可达到11倍以上的加速比。在多用户多序列比对场景下,由于多序列比对算法的复杂性,如何高效处理多用户任务更是对整体系统提出了巨大挑战。对此,本文提出GMSA,一个针对多用户的多序列比对系统。GMSA关注多用户提交的具有相同数据和子任务的情况,提出基于共享思想的优化策略。GMSA基于ClustalW算法,针对其第一步骤的时间复杂度较高的问题,通过共享第一步骤结果避免重复计算,从而缩短了计算时间。实验结果显示GMSA在保证准确度的情况下,相比不采取共享思想的多序列比对软件CUDA-ClustalW,在用户数量在12及以上时可达到32倍以上的加速效果。综上,本文主要针对大规模、高相似度基因的多序列比对问题,研究CPU-GPU混合架构软硬件技术、设计最大化系统资源利用率的CPU-GPU混合架构模型。另外,考虑到多用户任务的复杂性,基于共享策略,提出可行的优化策略。