太平洋生物科学平台（Pacific Biosciences）和牛津纳米孔平台（Oxford Nanopore）的长序列（long read）测序技术的兴起,促进了基因组数据分析的发展。与短序列（short read）测序技术相比,长序列测序技术可以解决规模更大、更复杂的基因组组装问题。但是,长序列的错误率非常高,Pacific Biosciences测序技术产生的长序列的错误率约为10%～15%,Oxford Nanopore测序技术产生的长序列的错误率高达30%。纠正测序序列中的错误对于基因工程非常重要。已有的序列纠错算法对于高错误率的长序列纠错效果不够理想。为此,本文研究设计有效的长序列混合纠错串行算法和并行算法。本文首先提出一种基于de Bruijn图和k-mers序列比对的长序列混合纠错串行算法Hd GEC。算法Hd GEC通过将长序列与同物种的短序列比对以生成种子,使用短序列k-mers的Pg SA索引构建k值可变的de Bruijn图;然后将种子锚定在de Bruijn图上,遍历k值可变的de Bruijn图连接这些种子形成种子序列,使得连接两个相邻种子的序列路径覆盖了长序列中未与短序列比对到的区域;通过不断遍历k值可变de Bruijn图扩展种子序列末端,使得种子序列能够扩展到待纠错的原始长序列的末端,从而完成对长序列的纠错。算法Hd GEC既具有基于序列比对策略的优点,允许纠正长序列覆盖到的区域,又具有基于使用de Bruijn图方法的优点,可以纠正长序列中未被覆盖区域的错误。实验结果表明,与已有的长序列纠错算法相比,本文算法获得整体上高质量纠错的长序列,更适用于中等规模物种和大物种真实数据集的长序列纠错。在上述工作基础上,本文设计实现一种集群系统上的基于de Bruijn图的长序列混合纠错并行算法Par-Hd GEC。该并行算法基于Hadoop和Hazelcast框架,利用Map Reduce模型和分布式No SQL实现分布并行计算,且通过运用本文改进的最短路径算法使de Bruijn图中两个顶点之间的kmers覆盖率最大化,有效利用短序列k-mers覆盖率信息来纠正长序列中的错误,减少了纠错后的长序列中碱基的损失。在真实的大物种数据集上的实验结果表明,与已有的长序列混合纠错并行算法相比,本文给出的并行算法Par-Hd GEC整体上在获得较高的长序列纠正率和碱基纠正率、较大增益值的同时;并行算法Par-Hd GEC能够有效利用集群系统中不断增多节点的计算能力,所需的运行时间随着集群系统中参与处理的节点逐步增多而下降较快,获得的加速效果更好。本文的研究成果为使用纠正后的测序长序列进行生物大数据分析应用提供算法软件基础。