diff --git a/dynamic-programming/subsequence/1035不相交的线.js b/dynamic-programming/subsequence/1035不相交的线.js
new file mode 100644
index 0000000..9377082
--- /dev/null
+++ b/dynamic-programming/subsequence/1035不相交的线.js
@@ -0,0 +1,31 @@
+/**
+ * @param {number[]} nums1
+ * @param {number[]} nums2
+ * @return {number}
+ */
+const maxUncrossedLines = function (nums1, nums2) {
+
+};
+
+/*
+这个题看似无从下手实际上非常得简单，我们从结果入手，一个不交叉得最大连线是什么样的，经过观察发现就是要我们求
+最大公共序列，直接把1143的题目拿过来改一下即可
+*/
+
+function f1(nums1, nums2) {
+  const m = nums1.length;
+  const n = nums2.length;
+
+  const dp = Array.from({ length: m + 1 }, () => Array(n + 1).fill(0));
+
+  for (let i = m - 1; i >= 0; i--) {
+    for (let j = n - 1; j >= 0; j--) {
+      if (nums1[i] === nums2[j]) {
+        dp[i][j] = dp[i + 1][j + 1] + 1;
+      } else {
+        dp[i][j] = Math.max(dp[i + 1][j], dp[i][j + 1]);
+      }
+    }
+  }
+  return dp[0][0];
+}
diff --git a/dynamic-programming/subsequence/1143最长公共子序列.js b/dynamic-programming/subsequence/1143最长公共子序列.js
new file mode 100644
index 0000000..e8930ce
--- /dev/null
+++ b/dynamic-programming/subsequence/1143最长公共子序列.js
@@ -0,0 +1,30 @@
+/**
+ * @param {string} text1
+ * @param {string} text2
+ * @return {number}
+ */
+const longestCommonSubsequence = function (text1, text2) {
+
+};
+
+/*
+定义dp[i][j]为text1从i位置开始统计，text2从j位置开始统计的最长公共子序列长度，如果text1[i]和text2[j]相等，则dp[i][j]=dp[i+1][j+1]
+若不相等则，dp[i][j] = max(dp[i+1][j], dp[i][j+1])
+*/
+function f1(text1, text2) {
+  const m = text1.length;
+  const n = text2.length;
+
+  const dp = Array.from({ length: m + 1 }, () => Array(n + 1).fill(0));
+
+  for (let i = m - 1; i >= 0; i--) {
+    for (let j = n - 1; j >= 0; j--) {
+      if (text1[i] === text2[j]) {
+        dp[i][j] = dp[i + 1][j + 1] + 1;
+      } else {
+        dp[i][j] = Math.max(dp[i + 1][j], dp[i][j + 1]);
+      }
+    }
+  }
+  return dp[0][0];
+}
diff --git a/dynamic-programming/subsequence/392判断子序列.js b/dynamic-programming/subsequence/392判断子序列.js
new file mode 100644
index 0000000..9f8c870
--- /dev/null
+++ b/dynamic-programming/subsequence/392判断子序列.js
@@ -0,0 +1,30 @@
+/**
+ * @param {string} s
+ * @param {string} t
+ * @return {boolean}
+ */
+const isSubsequence = function (s, t) {
+  return f1(s, t);
+};
+
+/*
+这个题目起始从头到尾遍历开s[1]在不在t中，然后再看s[2]在不在，最后看s[len - 1]在不在，如果在则返回true,
+这个题目也可以是使用动态规划，动态规划的思路就是，如果s[i]在t中存在，如果s[i+1:]这个子序列也在t中存在,
+那么s[i:]开始的子序列，在t中也存在，定义dp[i]为，字符串s从i开始的所有子序列s[i:]在t[j]之后的子序列中存在
+s[i] === t[j]
+*/
+function f2(s, t) {
+  if (s.length === 0) return true;
+  if (t.length === 0) return false;
+
+  const dp = Array(s.length).fill(false);
+
+  for (let j = t.length - 1, i = s.length - 1; j >= 0 && i >= 0; j--) {
+    if (t[j] === s[i]) {
+      dp[i] = true;
+      i--;
+    }
+  }
+
+  return dp[0];
+}
diff --git a/dynamic-programming/subsequence/53最大子数组和.js b/dynamic-programming/subsequence/53最大子数组和.js
new file mode 100644
index 0000000..e2578ce
--- /dev/null
+++ b/dynamic-programming/subsequence/53最大子数组和.js
@@ -0,0 +1,27 @@
+/**
+ * @param {number[]} nums
+ * @return {number}
+ */
+const maxSubArray = function (nums) {
+
+};
+
+/*
+定义dp[i]为从nums[i]开始的和最大的子数组，那么动态转移方程为dp[i] = dp[i+1] + nums[i] (dp[i+1] > 0)
+*/
+
+function f1(nums) {
+  const dp = Array(nums.length + 1).fill(0); // dp[i]表示从i位置开始的和最大子数组
+  let result = -Infinity;
+
+  for (let i = nums.length - 1; i >= 0; i--) {
+    if (dp[i + 1] > 0) {
+      dp[i] = nums[i] + dp[i + 1];
+    } else {
+      dp[i] = nums[i];
+    }
+
+    result = Math.max(result, dp[i]);
+  }
+  return result;
+}
diff --git a/dynamic-programming/subsequence/583两个字符串的删除操作.js b/dynamic-programming/subsequence/583两个字符串的删除操作.js
new file mode 100644
index 0000000..7ea76fa
--- /dev/null
+++ b/dynamic-programming/subsequence/583两个字符串的删除操作.js
@@ -0,0 +1,72 @@
+/**
+ * @param {string} word1
+ * @param {string} word2
+ * @return {number}
+ */
+const minDistance = function (word1, word2) {
+
+};
+
+/*
+这个题看似无从下手，其实反过来思考非常容易，直接求出最长的公共子序列，然后步数就是这个两个字符串中多出的那几个字符的和
+*/
+
+function f1(word1, word2) {
+  const commonLen = longestCommonSubsequence(word1, word2);
+  return word1.length + word2.length - 2 * commonLen;
+}
+
+function longestCommonSubsequence(text1, text2) {
+  const m = text1.length;
+  const n = text2.length;
+
+  const dp = Array.from({ length: m + 1 }, () => Array(n + 1).fill(0));
+
+  for (let i = m - 1; i >= 0; i--) {
+    for (let j = n - 1; j >= 0; j--) {
+      if (text1[i] === text2[j]) {
+        dp[i][j] = dp[i + 1][j + 1] + 1;
+      } else {
+        dp[i][j] = Math.max(dp[i + 1][j], dp[i][j + 1]);
+      }
+    }
+  }
+  return dp[0][0];
+}
+
+/*
+直接利用动态规划，来求解，定义dp[i][j]为s1中前i个字符和s2中前j个字符，变得相同需要删除的字符数量的最少个数，第i个字符是s1[i-1]
+同理第j个字符是s2[j-1]注意这里的dp[i][j]的定义是前i个字符，从1开始数的，之所以要这样定义，是因为s1可以为空字符，需要使用dp[0][0]
+来表示空字符
+*/
+
+function f2(word1, word2) {
+  const m = word1.length;
+  const n = word2.length;
+
+  // 定义dp表m+1行，n+1列
+  const dp = Array.from({ length: m + 1 }, () => Array(n + 1).fill(0)); // 初始化成0没有特殊意义，反正都要填表
+
+  // 初始第一行，s1为空字符串，那么当s2有多少个字符就取出多少个，即dp[0][j] = j
+  for (let j = 0; j <= n; j++) {
+    dp[0][j] = j;
+  }
+
+  // 列同理
+  for (let i = 0; i <= m; i++) {
+    dp[i][0] = i;
+  }
+
+  // 填充dp表从上到下，从左到右
+  for (let i = 1; i <= m; i++) {
+    for (let j = 1; j <= n; j++) {
+      if (word1[i - 1] === word2[j - 1]) { // 如果第i个字符和第j个字符相等
+        dp[i][j] = dp[i - 1][j - 1];
+      } else {
+        dp[i][j] = Math.min(dp[i - 1][j], dp[i][j - 1]) + 1;
+      }
+    }
+  }
+
+  return dp[m][n];
+}
diff --git a/dynamic-programming/subsequence/718最长重复子数组.js b/dynamic-programming/subsequence/718最长重复子数组.js
new file mode 100644
index 0000000..4af9ecf
--- /dev/null
+++ b/dynamic-programming/subsequence/718最长重复子数组.js
@@ -0,0 +1,37 @@
+/**
+ * @param {number[]} nums1
+ * @param {number[]} nums2
+ * @return {number}
+ */
+const findLength = function (nums1, nums2) {
+
+};
+
+/*
+定义：dp[i][j]表示nums1从i开始，nums2从j开始的最长子数组的长度，dp[i][j]可以由两种情况得来，第一种，当nums1[i] !== nums2[j],
+那么从这个位置开始的子数组，就不可能是公共子数组，多以dp[i][j] = 0;第二种，当nums1[i] === nums2[j] 那么dp[i][j] = 1 + dp[i+1][j+1]
+得来。
+*/
+function f1(nums1, nums2) {
+  const m = nums1.length;
+  const n = nums2.length;
+  let result = 0;
+  // 定义dp表，并且初始化
+  const dp = Array.from({ length: m + 1 }, () => Array(n + 1).fill(0));
+
+  // 按照dp[i][j]的定义我们需要从下到上，从右到左填充dp数组
+  for (let i = m - 1; i >= 0; i--) {
+    for (let j = n - 1; j >= 0; j--) {
+      if (nums1[i] === nums2[j]) {
+        dp[i][j] = 1 + dp[i + 1][j + 1];
+        result = Math.max(result, dp[i][j]);
+      } else {
+        dp[i][j] = 0;
+      }
+    }
+  }
+  console.log(dp);
+
+  return result;
+}
+f1([0, 0, 0, 0, 1], [0, 0, 0, 0, 1]);
diff --git a/dynamic-programming/subsequence/72编辑距离.js b/dynamic-programming/subsequence/72编辑距离.js
new file mode 100644
index 0000000..6498ac5
--- /dev/null
+++ b/dynamic-programming/subsequence/72编辑距离.js
@@ -0,0 +1,48 @@
+/**
+ * @param {string} word1
+ * @param {string} word2
+ * @return {number}
+ */
+const minDistance = function (word1, word2) {
+
+};
+
+/*
+  有删除，添加，修改三种操作，word1的删除和word2的添加效果是一样的，所以实际上只有三种操作
+  1. 往word1中删除一个字符
+  2. 往word2中删除一个字符
+  3. 修改word1中的一个字符
+
+  定义dp[i][j]表示word1的前i个字符和word2的前j个字符的最少编辑距离，那么在已知dp[i-1][j-1]和dp[i-1][j],dp[i][j-1]的情况下推出来
+  如果第word1的第i个字符和word2的第j个字符相等，那么最小编辑距离就是dp[i-1][j-1]因为第i个数和第j个字符我不需要操作，而剩下的这些字符
+  最少编辑距离就是dp[i-1][j-1],如果这word1的第i个字符和word2的第j个字符不相等，我们可以删除word1的第i个字符，然后将word1的前i-1个字符
+  和word2的前j个字符变得一样所需得编辑距离加上删除word1得第i个字符这一步一共是dp[i-1][j] + 1个编辑距离，同理：dp[i][j-1]得原理一样，
+  最后还有一种获得最优得情况是，我不删除，只是将word1中得最后一个字符修改成和word2中卒子后一个字符一样，这样就变成word1[i-1]==word2[j-1]
+  相等得情况了。
+*/
+function f1(word1, word2) {
+  const m = word1.length;
+  const n = word2.length;
+  const dp = Array.from({ length: m + 1 }, () => Array(n + 1).fill(0)); // 初始化成0无意义，只是初始化而已
+
+  // 初始化，如果word1为空，word2要想变得和word1一样，编辑距离就是它自身长度
+  for (let j = 0; j <= n; j++) {
+    dp[0][j] = j;
+  }
+  // word2为空同理
+  for (let i = 0; i <= m; i++) {
+    dp[i][0] = i;
+  }
+
+  // 填dp表,dp[i][j] 依赖dp[i-1][j-1], dp[i-1][j], dp[i][j-1],所以要从上到下，从左到右遍历
+  for (let i = 1; i <= m; i++) {
+    for (let j = 1; j <= n; j++) {
+      if (word1[i - 1] === word2[j - 1]) {
+        dp[i][j] = dp[i - 1][j - 1];
+      } else {
+        dp[i][j] = Math.min(dp[i - 1][j], dp[i][j - 1], dp[i - 1][j - 1]) + 1;
+      }
+    }
+  }
+  return dp[m][n];
+}