带有间隙约束的模式匹配可以用来计算模式在序列中的支持度,是序列模式挖掘的核心技术,在生物、安全监测、数据挖掘方面有着广泛应用。传统的模式匹配分为精确模式匹配和近似模式匹配,由于实际数据中存在大量的噪声干扰,近似模式匹配的优点在于具有灵活性,相对精确模式匹配可以发现更多有价值的模式。目前,带间隙近似模式匹配主要采用Hamming距离作为度量相似度,这种度量方法仅仅能够反应出两个序列串有多少个不一致的字符,忽略了不一致字符之间的距离,可能就会丢失一些相似有价值的信息。鉴于此,本文研究具有长度约束的（δ,γ）近似模式匹配问题,该问题在间隙约束模式匹配基础上,采用局部-整体约束（δ,γ）距离,以提高匹配的精确度,即字符间的最大距离不得超过局部阈值δ,所有字符的δ距离之和不得超过整体阈值γ,不仅可以提高匹配的灵活度,也可以避免近似出现差距过大的问题。本文的主要研究内容如下:（1）提出了DAP问题以及问题的相关定义。（2）本文提出了一种有效的求解算法NetDAP算法,该算法采用近似单叶网树进行求解,首先确定近似单叶网树的叶子的范围,在叶子确定的情况下,采用动态规划的方法,依据长度约束和模式的间隙约束依次确定近似单叶网树的最小根、最大根以及每层结点的范围。在此基础上,确定每个结点的最小双亲和最大双亲,进而建立近似单叶网树。避免冗余计算,本文提出两种剪枝策略用于剪去不满足δ和γ距离约束的结点和双亲关系,从而加快了算法的计算速度。（3）在证明了算法的完备性基础上,给出了本文算法的时间复杂度和空间复杂度,分别为O（g2*γ*n*m2）和O（m2*g*γ+n）,其中g是最大间隙,n是序列长度,γ是全局近似阈值和m是模式串长度。（4）最后通过大量真实的蛋白质数据集和时间序列上的实验,通过结果验证了本文提出的NetDAP算法的运行高效性和近似匹配效果的优越性。