大规模多重检验在许多领域都有着广泛的应用。随着大数据时代的到来,处理大量的数据信息以及数据结构之间呈现的复杂的相关性为传统的多重检验方法提出了新的要求和新的挑战。例如在全基因组关联分析（GWAS）中,为了识别复杂疾病的遗传变异点,通常需要我们同时进行数以万计的检验。而且必须考虑在实际情况下,基因位点在减数分裂的过程中,与疾病或性状相关的单核苷酸多态性（SNP）通常会倾向于分离到同一个配子中,这就导致了我们在进行大规模多重检验的时候,不可以忽视相邻的检验之中存在的复杂的相依结构。对于处理大规模多重检验以及其结构间复杂的相依性,传统多重检验方法的控制准则往往显得过于保守。而且传统的多重检验方法都是基于一阶隐马尔可夫模型,即只考虑前一时刻状态对当前时刻状态的影响,显然假设性太强,不符合实际情况的要求,会造成检验功效的损失。为了解决上述问题,本文进一步考虑检验之间的相依性,将一阶隐马尔可夫模型推广到高阶。提出了基于高阶隐马尔可夫模型的大规模多重检验方法hoLIS方法。本文主要分为以下五个部分:第一章,主要介绍了大规模多重检验的研究的背景和意义,根据大规模多重检验控制方法的发展历程总结了国内外专家及学者们的研究历程及成果,并阐述了研究的贡献和不足。此外,本章还介绍了全篇论文的结构和本文的创新之处。第二章,主要介绍了一些基于FWER和FDR的经典多重检验方法。同时介绍了关于隐马尔可夫模型的相关知识,包括理论框架、基本问题、前向后向算法以及Baum-Welch算法等。第三章,本文进一步考虑了数据之间的相依关系,将隐马尔可夫模型扩展到高阶。通过建立加权分类问题和多重检验问题的联系,证明了多重检验方法的最优性。推导并实现了高阶隐马尔可夫模型的前向后向算法、Baum-Welch算法等。第四章,对本文所提出的基于高阶隐马尔可夫模型的大规模多重检验方法进行数值模拟和实证分析。在模拟研究部分,通过一系列的数值模拟,验证本文所使用的方法是否能够将FDR控制在预设的显著性水平。在实证分析部分,本文所提出的hoLIS方法应用到全基因组关系分析中,同时与其他传统的多重检验方法进行对比,以证明该方法的功效。第五章,是对全文总结以及对未来发现的展望。本文的研究结果表明:基于高阶隐马尔可夫模型的多重检验方法可以将错误发现率（FDR）控制在预设的显著性水平α。并且FDR在同一显著性水平α下,与其他传统的多重检验方法相比,拥有最小的错误无发现率（FNR）。并且与其他传统的多重检验相比,本文所提出的hoLIS方法具有更高的功效。