高通量技术的发展使得生物数据呈指数级增长,生物数据的分析需求也随之日益增长。生物数据通过构建网络,根据网络结构对网络进行搜索、比对和聚类能够发掘网络中的隐藏信息,这对于生命科学的研究具有重要意义。蛋白质作为一切生命的物质基础,参与了生命过程的各个环节,分析不同物种的蛋白质相互作用网络,对于理解蛋白质功能、物种进化关系和疾病机理等具有重要意义。虽然目前蛋白质相互作用网络可用于许多物种,但许多物种中的很多的蛋白质功能仍然未知,因此通过比对进行生物学知识转移是解决这个问题的方法之一。序列比对通过比较不同蛋白质的序列片段确定相似性信息,蛋白质相互作用网络与其类似,通过比较不同物种的蛋白质空间结构获取蛋白质的相似性。通常认为具有相似网络结构或较高序列相似性信息的蛋白质,有较高概率是具有相同功能的,且许多文献的实验表明加入序列相似性信息构建的比对结果质量更高,生物功能一致性更好,因此本文通过蛋白质的拓扑结构信息和序列相似性信息相结合的方式生成比对。由于随着比对网络数的增加,算法的计算难度和复杂性也随之增大,为了构建高效的比对算法,本文的主要工作如下:（1）以构建高效比对为前提,提出基于种子-扩展框架的全局多对多的多网络比对算法ACCMNA。通过考虑蛋白质相互作用网络的度提高比对结果的拓扑质量,根据蛋白质的序列相似性信息构建k分加权相似图,并采用聚类方法搜索拥有最大加权和的节点候选簇来提高比对结果的生物质量。每一次迭代过程中将已比对的节点作为种子,在其邻居节点中进行扩展搜索,并采用贪心算法在每次迭代中产生比对簇。真实网络和合成网络数据集上的实验结果表明ACCMNA算法产生的比对结果在拓扑保守性和生物一致性方面都能够达到较好的效果。（2）为了解决比对过程中产生局部最优的问题,本文提出基于模拟退火的全局一对一多网络比对算法SAMNA。该算法同样采用拓扑和序列相结合的方式,在序列相似性信息构建的k分加权相似图中通过搜索加权最大团的方式构建候选簇集合。通过改进NetCoffee算法中模拟退火部分的状态更新方式,使其扩展到对于包含多个节点的候选簇的更新方法,使得不同网络间的节点联系更加紧密。合成网络和真实网络数据集上的结果表明,SAMNA算法能够产生较高生物功能质量的比对结果,且在比对两个网络时,产生的比对结果在生物意义上也要优于成对网络比对算法的比对结果。（3）基于SAMNA算法在拓扑质量方面的缺陷,在SAMNA算法中融入种子-扩展策略提出改进算法SE-SAMNA算法。通过在模拟退火过程中的状态转移步骤中融入种子-扩展策略,将上一轮迭代产生的候选簇作为种子,在其种子节点的邻居节点中进行扩展,随机选取一个包含其邻居的候选簇进行状态更新,这在迭代过程中提高比对的保守边比例,能够提高比对的拓扑质量。合成网络和真实网络上的实验结果表明,SE-SAMNA算法能够在不过度牺牲生物质量的前提下,明显提高比对的拓扑质量。