数据流模型是近年来出现的、一种新型的数据模型,广泛应用于网络监测、传感器网络数据分析、Web点击数据流分析、金融行业和商业交易管理数据等中。数据流的连续、快速、无限、未知的特点决定了传统的数据挖掘技术已经不适合数据流挖掘,分析和挖掘数据流已经成为热点研究问题。数据流频繁模式挖掘是数据流挖掘的基础研究之一。首先介绍了数据流频繁模式挖掘的国内外研究现状,并阐述了课题研究的背景和意义。针对研究的内容,详细介绍了数据流频繁模式挖掘的基础知识和相关技术。针对现有频繁项集挖掘算法存在搜索空间大、需要保存中间结果等问题,本文提出了挖掘滑动窗口中最大频繁项集的算法MFI-BET。该算法采用位图存储数据流中的数据降低了存储空间,并采用位运算加快了数据的更新。在挖掘阶段,除了采用经典的剪枝策略外,提出一个新的剪枝策略,与经典的MAFIA算法中的剪枝策略相比较,该剪枝策略缩小了搜索空间,加快了搜索的速度。实验结果验证了该剪枝策略的有效性和正确性,及MFI-BET算法的适应性。针对现有Top-k频繁项集挖掘算法只是考虑数据流入,没有考虑数据的流出,本文提出了一个滑动窗口中的Top-k频繁项集挖掘算法MTKFI。在数据更新时考虑了数据的流入和流出,挖掘时基于Apriori思想,利用位图信息多次迭代得到当前滑动窗口频繁项集。同时,把得到的频繁项集存储到一个双层索引链表中。实验结果表明MTKFI算法能够有效的挖掘滑动窗口中的最k个频繁项集。