在生物网络中,网络模体被认定是复杂网络的基本组成,并且是反映生物网络协作模式的构成单元。因此对于研究网络模体是揭示生物网络特性的重要分析工具。生物网络可以根据节点的类型分为同构网络和异构网络。其中,共调控网络属于异构网络,相比于蛋白质相互作用等同构网络来说,有着规模大,节点类型和调控机制多的特点。共调控网络包含三种节点类型,分别是mi RNA,转录调控因子和基因（gene）。共调控网络共有五种调控作用,这些调控作用对于认识和研究生命活动规律提供了基础。但是,由于网络模体发现算法包含子图枚举和子图同构判断,其中子图同构判断又是NP完全问题,因此网络模体发现是一项计算量非常大的任务,为此,本文结合并行化技术,提出了两种网络模体发现算法。主要研究工作如下:（1）基于单个计算机的资源考虑,CPU计算资源处理大规模共调控网络需要较长的时间。针对此问题,本文提出一种基于GPU的共调控网络模体发现算法CMGPU。该算法按照mi RNA编号对线程进行分配;并将子图同构判断和子图枚举运行在GPU上,通过ESU算法对共调控网络进行子图枚举,保证子图仅仅被枚举一次。子图通过整数代替子图标签进行同构判断,减少GPU内存消耗;最后利用CPU进行随机网络生成和显著性计算。通过对CMGPU算法所发现的模体进行分析,证明了CMGPU算法能发现有生物意义的模体;在与基于CPU的网络模体发现算法的对比实验中,实验结果证明了CMGPU算法提升了子图枚举和子图同构判断进程,并且在模体规模大小为4时,模体发现时间缩短了90%。（2）基于单个计算机线程数目受限,导致处理大规模数据运行速度较慢。针对此问题。针对此问题,本文基于Spark提出了一种网络模体发现算法（CMSP）,CMSP通过并行化实现子图枚举,子图同构和随机网络生成加速模体识别步骤。该算法首先通过数据预处理,将网络节点的类型和节点邻居集合通过广播函数分配到集群的不同机器中,并且通过穷举法和抽样法对网络进行子图枚举,在判断子图同构阶段,提出了边代替子图,以此生成元组序列,通过元组序列判断子图是否同构,再利用Map Reduce思想减少子图同构判断次数,加速同构判断进程。利用Spark集群优势,多线程进行随机网络生成。并且通过实验论证了CMSP算法具有良好的可扩展性法,并且还验证了抽样算法能在保证最终结果的前提下,提升网络模体发现速度。