数据挖掘是研究从大量数据中用非平凡的方法发现有用知识的理论与方法.分类作为数据挖掘的一个重要课题,在统计学、机器学习、神经网络和专家系统中得到了广泛的研究.在分类方法研究中,利用“属性-值”序偶模式构造分类器是一种重要的技术.其中,基于显现模式构造的分类器在分类特征表现明显的情况下具有较高的分类精度,但对数据特征不明显的数据集合,分类效果却较差.本文首先介绍了分类的相关概念及基本技术,随后详细介绍了显现模式的基本概念及有效的使用边界操作挖掘显现模式的MBD-LLBORDER算法,然后简要分析比较了目前几种基于显现模式的分类方法.最后,本文给出了两个利用显现模式进行分类的算法.一个是基于显现模式分类能力,同时利用贝叶斯网络分类器的稳定性,构造的限制性贝叶斯分类算法.本文提出了一种新的度量显现模式分类能力的方法,该度量方式进一步反映了贝叶斯分类器中属性之间的依赖关系.这种限制性贝叶斯分类器从本质上减弱了朴素贝叶斯分类器的属性条件独立性假设.另一个是基于特殊显现模式的分类算法.利用显现模式分类能力定义了显现模式的分类系数,依据分类系数挖掘新的特殊显现模式,并且利用特殊显现模式来构造分类算法,这个分类算法中主要内容是要对分类系数进行准确度量.为了测试算法的分类性能,在UCI机器学习库中的20个数据集上的实验结果表明,与NB,C4.5,TAN以及CAEP比较分析,本文所提出的算法具有更好的分类效果.