近年来,牛津纳米孔测序技术的应用极大的促进了生命科学的发展,测序的过程很容易被理解,一开始,DNA双链解开成单链,DNA单链通过“纳米孔”,DNA单分子停留在孔道,一些离子带来电流变化,不同的碱基（A,T,C,G）可以带来不同的电流变化。然后,可以得到一种电流图谱。最后应用一些模式识别算法可以将电流图谱翻译成碱基序列。简单来说,可以将牛津纳米孔测序的过程理解成由电流转化为碱基序列的过程[翻译过程]。基于牛津纳米孔测序技术,有两种方案可以完成单细胞测序。一种方案利用生物实验方法将单个细胞分离出来,单独构建测序文库,然后进行测序。这种方案成本很高,并且通量低。所以,近年来多采用第二种方案,即“基于标签的单细胞识别”。这种方案的思想是,给每个细胞的测序样本加上独一无二的DNA序列（barcode）,测序完成之后,具有相同barcode的序列被认为来源于同一个细胞。基于barcode标签来识别序列来源的过程就被称为解复用。解决解复用的方法可以分成两类,一种基于纳米孔产生的原始信号,一种基于由电流信号转化得到的碱基序列。基于碱基序列的方法有很多前人研究的工作可以借鉴,比如说序列比对以及序列聚类。然而,由于翻译过程会引入错误,所以这种方法可能无法保证高精度的解复用。所以,近年来有很多学者从原始的电流信号出发,来解决解复用问题。这种方法规避了翻译过程中引进的错误,其本质上是时间序列聚类或者分类问题。近年来,一些基于深度学习的方法被提出,这些方法基于神经网络模型去解决信号分类问题。然而,这些方法都需要使用人工标注的数据来完成模型训练,通常来讲人工标注繁琐耗时而且也会发生标注错误,这给这些方法带来了巨大的挑战。在不断的实验以及测试中,我们综合了以上两种方法的思想,提出了一种混合聚类方法来处理解复用问题。这里的“混合”是指在我们的方法中,由牛津纳米孔测序技术产生的DNA序列以及纳米孔信号都被利用。相对于深度学习的“黑箱”处理,我们的方法可解释性更高并且可以得到相当的精度。一开始,我们采用CD-HIT算法完成DNA序列的初始聚类,然后,根据初始聚类结果得到一致序列进而得到一致信号,基于一致信号以及纳米孔信号,完成初始簇集的合并。最后,结合DTW算法（动态时间规整算法）完成结果细化。由于DTW算法是一种复杂度较高的算法,为了提高解复用的效率,我们实现了一种基于GPU的并行加速机制。全面的实验表明,我们方法的表现超过了所有的传统聚类工具,并可以达到基于深度学习方法相当的精度。另外,我们的方法不需要经过训练,十分容易使用,是一个可以在github社区获得的开源项目,这便于大家共同探讨与改进。