当前生物信息学中对模体的预测普遍使用聚类算法,而当前大多数模体预测工具及算法在预测顺势调控结合位点时具有一定的局限性,他们往往能有较准确的预测那些与背景序列(模体所在序列)间具有巨大差异的模体,而事实上,一些结合位点实际上与其背景序列的核苷酸分布十分接近,因此在这种条件下更好的测试各种工具的实际性能就非常有使用价值。本文针对当前比较常用的聚类算法进行了介绍,特别是对基于图论的几种算法进行了比较,采用了人工数据和人工合成数据对它们进行测试,并且针对实际应用中可能存在的问题进行了分析,重点讨论了算法运行的速度和结果的准确性。我在数据的选择上进行了深刻的研究,并在先前测试的基础上进一步对实际的模体,结合位点等问题进行了有针对性的数据筛选和合成工作。由于本文的目的在于更好的对当前的几种工具进行测试研究,所以很多算法都给出了十分详细的介绍,很多实验也都是很有针对性的使用结合位点与其背景序列的核苷酸分布十分接近的数据,这样更接近于真实环境下的应用,更重要的是,在很多模体预测中,这种模体就很难被一些工具侦测到。通过使用真核生物和原核生物的数据,对其模体进行查找,各个算法都有自己各自的优势,CliClustering能够很好地平衡测试结果的敏感性和特异性,特别在背景序列的核苷酸分布与其背景序列相似度较大时,表现十分突出。经过多工具补充测试实验,也证明它能够很好的作为其他工具的补充。