流数据的聚类或频繁模式挖掘要求仅扫描数据集一次,就得到聚类或者频繁模式挖掘的结果。本文主要研究如何提高流数据的聚类和频繁模式挖掘算法的精度,在文中我们提出了两个新的算法：基于密度的高精度流聚类算法Density-based High Precision Streaming-data Clustering(DHPSC)和FP-tree单遍扫描算法Single-Pass Scan FP(SPSFP)。在本文提出的DHPSC算法中,我们使用基于密度的凝聚层次聚类法。该方法使用凝聚层次聚类法作为算法框架,在这种框架下,核心问题就是如何合并两个簇。目前,许多的流数据聚类算法仅仅使用簇的中心点去代表整个簇,这种做法会导致不好的结果。通过细致的分析我们发现,在数据的单遍扫描过程中,簇内距离、簇间距离和方差都是可以精确计算的,从而保证聚类结果的精度。这样,我们可以使用新的基于密度的公式,做为簇间是否合并的标准。实验结果表明,新算法会节省时间和空间方面的开销,并取得较好结果。流数据的频繁模式挖掘方面,FP-growth算法是频繁模式挖掘中用于静态数据集的经典算法。但是FP-tree的创建需要扫描数据库两遍,在处理流数据方面收到了很大的限制,使用滑动窗口虽然能在一定程度上解决这一问题,但是依然会造成FP-tree生成时的不准确,影响到后续的挖掘。本文提出的SFSFP算法,单遍扫描数据集即可准确创建出FP-tree。与传统的FP-tree创建算法相比,本文算法仅扫描数据库一遍,并且不需要将整个数据集调入内存。该方法不仅节省了所占用的空间,而且使得准确挖掘流数据中的频繁模式成为了可能,它的时间耗费方面与传统方法相当。