高通量测序与表型技术的快速发展产生了越来越多的大型基因型与表型数据集, 而传统的全基因组选择算法难以处理这类数据, 计算效率问题已成为全基因组选择的关注重点。为解决该问题, 本研究提出一种计算高效的全基因组选择新方法(HQGS), 首先利用Haseman-Elston回归估算遗传方差, 再对核心群体进行正交三角分解(QR分解)以获得高维矩阵的近似解, 这大大提高了计算效率。在模拟数据分析中, 设置了不同的核心群体大小、标记个数、真实遗传率、训练群体大小水平用于评估HQGS、基因组最佳线性无偏预测(GBLUP)、随机森林(RF)和支持向量机(SVM)。从预测准确性看, HQGS和GBLUP在绝大部分情况下是相似的, 它们全部显著优于RF, 大部分情况下优于SVM; 从计算效率看, HQGS显著优于GBLUP、RF和SVM, 其中, GBLUP的计算效率最低。在真实数据分析中, 小麦群体1包含的14个性状中, HQGS有3个性状的预测准确性显著优于GBLUP, 8个性状与GBLUP相似, 6个性状的预测准确性显著优于RF, 5个性状与RF相似, 5个性状的预测准确性显著优于SVM, 5个性状与SVM相似。在小麦群体2包含的4个环境下的产量数据中, HQGS在3个环境下的预测准确性优于GBLUP, 在1个环境下优于RF, 在2个环境下与RF相似, 在2个环境下优于SVM, 在1个环境下与SVM相似。本研究提出了一种计算高效的全基因组选择新方法, 有效避免了大型遗传关系矩阵求逆, 在保持预测准确性的情况下显著提高了计算效率, 为处理大型数据提供了更加高效可靠的新途径。