磷酸化模式代表了位于磷酸化位点周围具有位置特殊性的氨基酸序列。鉴于磷酸化模式可以用于研究磷酸化相关的基本调解机制以及磷酸化位点预测等相关问题,因而有很重要的研究价值。近年来,串联质谱等高通量技术的广泛应用,大大促进了磷酸化研究的发展,大量磷酸化位点的相关信息已经记入相应的数据库,这些丰富的数据使得用计算机算法进行磷酸化模式挖掘成为可能。目前已经提出的若干磷酸化模式的挖掘算法包括：Motif-X, MoDL, Motif-All, F-Motif, MMFPh等。尽管这些方法都能挖掘出一定数量的磷酸化模式,然而如何高效的挖掘出所有统计显著且没有冗余的模式依然没有彻底解决。本文提出两类解决磷酸化模式挖掘的方法。第一类方法提出了一个新的磷酸化模式挖掘问题定义：条件磷酸化模式挖掘,并给出了针对该问题的一个挖掘算法C-Motif。该方法相对于MMFPh和Motif-All,既保证了模式的完整性,在挖掘过程中又去掉了子模式对父模式带来的影响,而且效率较高。第二类方法从准确评估模式的统计意义入手,首先利用频繁模式挖掘算法获得频繁模式,然后利用置换检验方法评估所有模式的统计意义。本文共提出3种置换检验方法：标准置换检验(SP),自适应边缘效应置换检验(AMEP),改进的自适应边缘效应置换检验(MAMEP)。实验结果表明,提出的置换检验方法具有过滤假阳性结果的能力,AMEP和MAMEP更适用于现实应用,针对高Power和低FDR两种不同倾向的需求都有非常高的实用价值。