关联规则挖掘是数据挖掘领域中一个重要研究方向,频繁模式挖掘是关联规则、时序模式挖掘等应用中的关键技术和步骤,而数据流频繁模式挖掘又是当前频繁模式挖掘的一个热点问题。然而,由于挖掘频繁模式内在的计算复杂性,为了提高挖掘效率,业界提出了最大频繁模式挖掘问题。最大频繁模式隐含了所有的频繁模式,同时,在规模上,最大频繁模式小于频繁模式,并且在某些数据挖掘应用中仅需挖掘出最大频繁模式。在现实情况下,由于一些数据流的流动速度是非恒定的,因此如何达到对非恒定流速的数据流进行挖掘是一个值得研究的问题;再有,使挖掘结果更好的体现新事务,而降低早到达的旧事务对整个挖掘结果的影响也是业界关心的一个热点问题。因此,对这些问题进行研究具有重要意义。本文主要研究了数据流挖掘中的相关问题,主要包括以下内容:(1)提出了一个基于数据流的最大频繁模式挖掘算法BFPM-Stream。该算法采用事务和时间相结合的滑动窗口方法来解决数据流的流速不确定性问题,同时利用位对象数据表示方法和位频繁模式树BFP-Tree等对数据进行存储和处理。实验结果验证了BFPM-Stream算法的有效性。(2)提出了一个基于事务衰减的数据流最大频繁模式挖掘算法BFPMW-Stream。该算法采用事务滑动窗口,并利用位对象数据表示方法、位频繁模式树BFP-Tree和存储模式树P-Tree等对数据进行存储和处理,从而针对数据流中的新旧事务的不同作用挖掘出最大频繁模式。实验结果验证了BFPMW-Stream算法的有效性。