序列模式挖掘是数据挖掘领域中一个活跃的研究分支，有着广泛的应用前景，如顾客购买行为习惯分析、Web操作分析以及生物序列分析等，目前已经得到了广泛地研究。　　 但随着信息技术的发展，数据爆发式的产生，单表方式的数据存储已经不能满足实际需要。目前多关系数据库被广泛的用于数据存储，但如果考虑到多关系数据库的多样性时，多关系序列的挖掘将是一个复杂的问题。虽然理论上可以多表合并得到一张合并后的关系表，但多表合并会产生许多问题。如连接代价较高、数据冗余等。如何有针对性的高效的挖掘不同模型中的多关系序列模式，将是本文算法的主要目标。基于以上出发点，本文对多关系序列模式挖掘进行了系统的研究，主要研究工作包括:　　 (1)在星型模型中，在避免物化连接的前提下，高效地挖掘多关系序列模式。为此本文提出了一种基于序列Iceberg格的多关系序列模式挖掘算法，该算法采用优化的概念格分割、合并方法挖掘频繁序列。当表中数据量较大时，采用纵向切割，建立子格。避免了物化连接和对单表的挖掘，转向挖掘合并后的概念格。在合并过程中，每次只处理两张表或者两张子表并且直接过滤非频繁的序列，因此内存开销较小。实验结果表明，本文提出的方法可更加有效地挖掘多表序列模式，并为基于概念格的序列模式挖掘提供了理论支持和基本算法。　　 (2)结合知识背景高效地挖掘星型模型下的多关系序列模式。本文提出了一种基于前缀树结构的多关系序列模式挖掘算法。此算法可用于挖掘星型模型中所有表虚拟连接后的频繁序列模式。这种序列模式可以反映出不同关系表中实体间的联系，而这种跨表间的联系，是单表挖掘所不能提供的。算法结合知识背景，采用一定离散化方法和剪枝策略，为便于查询更新等操作，使用了改进后的前缀树等数据结构，使得算法取得了较好的性能。　　 (3)在普通ER模型中，在避免物理连接的前提下，提出一种方法用于挖掘多关系序列模式，且能够解决在星型模型中出现的统计偏斜问题。本文提出了一种ER模型下的基于元组传播的多关系序列模式挖掘方法，可较为高效的挖掘多关系序列模式，通过指定关键原子解决了基于虚拟连接表的统计偏斜问题。