全基因组关联分析(Genome-Wide Association Studies,GWAS)的目的是在整个基因组范围内寻找与表型相关的易感基因位点变异。近年来,在全基因组关联分析领域涌现了大量的基因及其交互作用检测算法,尽管这些算法在领域内取得了巨大的成功,但当前依然存在着一些难题。一方面,目前在全基因组关联分析领域已经提出的方法在不同的疾病模型上表现差异很大,这可能是因为现有研究方法都是基于单个模型建模而复杂疾病模型各异,所以通常单目标建模方法不能很好的拟合数据,会导致低精度,高假阳性率等各种情况。另一方面,与真实全基因数据的高维特性相比,很多现有方法仅适用于低维度,不能拓展到高维数据上,这也限制了其的使用范围。针对以上问题,本文提出构建一个基于蚁群优化的多目标优化算法。本文的创新性主要体现在以下两方面:在全基因组关联分析领域第一次提出了多目标启发式优化方法,用以解决全基因组关联分析的第一个难题。在算法中,本文结合了来自对立统计学派的逻辑斯蒂回归和贝叶斯网络模型,并分别选用了对应的AIC准则和K2准则评价所建模型。实验中证明,两种评价准则有互补效应,使得算法相比于其他算法能够取得更高的准确率,更低的假阳性率。为了解决全基因组关联数据高维特点带来的空间和时间复杂度问题,本文运用蚁群智能优化算法为基础设计了一个封装式的特征选择算法,可以直接在高维全基因数据上运用,得以解决全基因组关联分析的第二大难题。在实验室中本文运用软件生成了多种疾病模型下的虚拟数据集,并且在一个真实数据集上验证了算法的有效性。