输入无向图的顶点数、边数及各条边的顶点对，建立用邻接表表示的无向图。 （2）对图进行深度优先搜索和广度优先搜索遍历，并分别输出其遍历序列。

好的，这是一个图论问题，需要用到图的相关知识和算法。

首先，让我们来了解一下无向图和邻接表的概念：

无向图：由n个顶点和m条边组成的图，若图中任意两个顶点之间的边都是无向边，则称该图为无向图。

邻接表：邻接表是一种图的存储结构，它把每个顶点的所有邻接点存储起来，每个顶点对应一条链表，链表中存储该顶点的所有邻接点。

接下来，根据题目要求，我们可以编写如下代码来建立邻接表表示的无向图：

# 输入无向图的顶点数、边数及各条边的顶点对，建立用邻接表表示的无向图
n, m = map(int, input().split())  # 顶点数和边数
graph = [[] for _ in range(n)]    # 邻接表，每个顶点对应一个列表存储其邻接点
for i in range(m):
    u, v = map(int, input().split())  # 顶点对
    graph[u].append(v)  # 添加v到u的邻接表中
    graph[v].append(u)  # 添加u到v的邻接表中

接下来，我们来实现深度优先搜索和广度优先搜索算法。

深度优先搜索（DFS）：从起点开始，沿着一条路径直到不能再走为止，然后回溯到上一个节点，继续走未走过的路径，直到遍历完整个图。可以使用递归或栈实现。

广度优先搜索（BFS）：从起点开始，先访问与其相邻的所有节点，然后依次访问与这些节点相邻的节点，直到遍历完整个图。可以使用队列实现。

下面是深度优先搜索和广度优先搜索的代码实现：

# 深度优先搜索
def dfs(u, visited, res):
    visited[u] = True  # 标记该节点已被访问
    res.append(u)      # 将该节点加入遍历序列
    for v in graph[u]:  # 遍历u的所有邻接点
        if not visited[v]:
            dfs(v, visited, res)  # 递归访问v

# 广度优先搜索
def bfs(u, visited, res):
    queue = [u]       # 存储待访问的节点
    visited[u] = True # 标记该节点已被访问
    while queue:
        u = queue.pop(0)  # 取出队首节点
        res.append(u)     # 将该节点加入遍历序列
        for v in graph[u]:  # 遍历u的所有邻接点
            if not visited[v]:
                queue.append(v)  # 将未访问的邻接点加入队列
                visited[v] = True  # 标记该节点已被访问

最后，我们可以调用上面的函数进行遍历，并输出遍历序列：

visited = [False] * n  # 记录节点是否被访问过
res_dfs, res_bfs = [], []
for i in range(n):
    if not visited[i]:
        dfs(i, visited, res_dfs)  # 从i节点开始进行深度优先遍历
        bfs(i, visited, res_bfs)  # 从i节点开始进行广度优先遍历
print(' '.join(map(str, res_dfs)))  # 输出深度优先遍历序列
print(' '.join(map(str, res_bfs)))  # 输出广度优先遍历序列

以上就是本题的完整代码实现。