对比模式清晰表述了含有类标签的数据集之间的各类差异,它能够捕捉各类数据之间的区分性特征,常被用来建立高精确的分类器。然而,对比模式挖掘是一项NP-Hard的任务,其产生的候选项集接近2k次方。通常,传统的挖掘算法是串行运行的,在一台独立的机器上运行,而单台机器存在CPU、内存方面的限制。因此,传统的方法在挖掘对比模式的时候出现瓶颈,尤其面临大规模和高维度的数据集时,容易产生内存溢出、无法有效挖掘等问题。针对上述问题,本文研究基于Spark的并行对比模式挖掘算法及负载均衡策略,来有效的挖掘大规模和高维度的数据集。本文主要研究内容如下:（1）提出一种基于Spark的并行对比模式挖掘算法SPCP。算法先构建一棵EDCP-Tree,通过EDCP-Tree生成1-item的KCP＿Info数组结构,在此基础上构建相互独立的m-item候选模式结构,最后,根据m-item的后缀候选模式并行挖掘对比模式,该算法通过将对比模式的搜索空间划分为独立的单元,这些单元可以被并行挖掘,为大规模和高维度的数据集提供一个可扩展的解决方案。本文使用两个不同规模和维度的数据集,在Spark集群上测试算法的性能。实验结果表明,本文提出的算法实现了高度的并行性和可扩展性。（2）在分布式Spark集群环境下,并行算法的执行效率受运行时间最长的节点控制,因此并行算法的挖掘效率受集群各节点的计算量的影响,所以在Spark集群环境下,各节点之间的计算量的平衡性是本文研究的一个重点。对于Spark默认的Hash Partitioner策略和Range Partitioner策略,在划分数据集的时候并没有考虑节点之间的权重计算,而是直接根据key或范围进行分区,容易造成数据倾斜等问题。针对该问题本文提出一种面向对比模式挖掘的负载均衡算法BS-SPCP。算法综合考虑项集生成代价和项集之间的比较次数,借此估算节点的负载权值,使Spark集群中各节点之间的计算负载均衡。即通过估算m-item候选模式所产生的计算量,使得各节点中的总计算量趋于一致,从而实现集群的负载均衡,提高并行效率。通过BS-SPCP算法在负载均衡前后运行时间的比较,表明本文所提出的负载均衡算法可以使得各节点之间总计算量趋于一致,从而提高并行效率。