序列是一种常见的数据类型,是由一系列元素构成的一个有序线性表。很多实际应用的核心算法问题均是序列数据分析问题,比如:血压监控、网络购物链接点击预测等等。在序列数据分析领域中存在有许多不同的研究方向,例如分类、聚类和模式发现等等,本文主要关注序列数据中的判别模式挖掘和分类两个问题。现有的判别序列模式挖掘算法以及序列分类算法,都缺乏对于结果的质量控制,造成挖掘模式集合假阳性结果较多或者分类准确率不高。当判别序列模式集合中包含有过多的假阳性模式时,会降低模式的可用性。而对于分类器来说,会直接影响分类准确率,影响分类性能。针对于判别序列挖掘问题,本文首先提出了一个新的数据挖掘问题:统计显著判别序列模式挖掘,并针对该问题提出了相应的算法:DSPM-MTC算法。DSPM-MTC算法利用Bonferroni校正法和BH方法分别对FWER和FDR进行控制,从而提供稳定且高质量的结果集合。实验结果表明,DSPM-MTC算法可以过滤掉大量的假阳性判别序列模式,能够提供稳定且高质量的结果集合。对于序列分类问题,本文提出了一个新的序列分类算法:MTC-Sclassifier算法。该算法将序列分类问题归纳为一个假设检验问题,并通过p-value来量化序列分类结果的统计显著性,并能有效的控制分类结果的错误率。MTC-Sclassifier算法使用两样本检验测试待分类样本属于正反例集的可能性,同时结合k-NN算法减少了无关训练序列以及异常训练序列的影响,并利用FDR控制了错误分类的样本个数,还可以鉴别离群数据。实验表明,MTC-Sclassifier算法的分类准确率良好,并能通过控制FDR有效的控制错误分类的样本数量,同时可以很好地鉴别离群点。