模式是计算机中表示知识的一种形式。在数据挖掘领域,以模式来表示从数据中所挖掘的隐藏知识,是目前的标准做法。相比于传统的模式,由于经常需要表达较为复杂的知识形态,特别是对于涉及多维甚至高维空间的数据,数据挖掘领域的知识模式是定义在多维空间中的,其结构也因此较为复杂。在应用这类知识模式的过程中,经常需要进行模式匹配、发现、组合等操作,就目前而言,虽然传统模式匹配等问题已经得到较好的解决,但对于这类多维空间中的复杂模式,还缺少高效匹配算法。本文即致力于多维空间中树模式匹配问题研究,以期为这类模式的实际应用扫除障碍。本文的主要研究工作如下:(1)在探讨多维空间中树模式特性的基础上,研究了直接将传统单维树匹配算法推广到多维空间的平凡算法。本文研究发现,多维空间中树模式存在着维度间的概率差异及维度内信息熵差异,据此设计了新的多维空间中模式匹配策略和匹配算法。算法通过考虑成功匹配的概率信息,以期尽早发现不匹配的结点,实现无效匹配的早剪枝,从而减少不必要的维度匹配操作。实验结果表明,本文提出的算法效率相比平凡算法有了极大的提高,并且这种提高在模式树中含有通配符时更加明显。(2)针对多维空间中的多个树模式的匹配问题,简单应用上述单树模式匹配来依次实现各模式匹配的平凡算法是低效率的。本文研究发现,多模式集合中通常存在着较多的重复子结构,消除这些重复子结构的反复匹配,是实现高效率匹配算法的关键。为此,本文设计了新的多树模式匹配算法。该算法首先将树模式集合中的重复子结构进行合并,然后依据合并结果进行匹配,从而消除重复匹配操作,大大提高多模式匹配算法的效率。实验结果表明,相比平凡算法,本文提出的算法效率有较大的提高。