数据存储技术的飞速发展使得海量数据的存储变得更加简单,数据规模的不断扩大伴随着事物之间的作用关系也愈加复杂,这导致复杂实体间的关系难以再用简单的文本形式加以表示。图结构的出现很好地解决了这一问题,它能更好地对复杂对象之间的关系进行建模,用以系统地分析其特征与属性。针对社交网络、生物网络和蛋白质网络等类似大规模的单个图形网络的相关研究经常出现在最新的学术成果中,在这些图形网络中进行数据挖掘被称为图挖掘,在该领域中有一个重要的算法是频繁子图挖掘算法,它是许多图相关算法的基础步骤。所以,提高在单个图中的频繁子图挖掘算法的性能一直是该领域一个亟待解决的问题。本文在原有的随机区域选择采样算法进行了改进,一方面结合随机节点选择的思想解决原算法无法准确提供区域数量参数的问题和无法在非连通图中顺利采样的问题,另一方面,本文针对子图同构过程中可能存在冗余节点的问题提出了一种剪枝优化策略,通过删减数量权重过小的节点来进一步减少子图同构的计算次数。算法将该优化策略作为采样的输入参数加入到采样过程中,达到通过设置该参数可以灵活调整采样效果的目的。由于算法在非连通图中采样后的子图之间的连通性往往较低,本文在采样过程结束后引入了增强子图连通性的图归纳技术,使得采样前后的度分布更为相似,提高使用采样图执行频繁子图挖掘算法的准确率。依靠上述思想,本文提出了一种基于随机区域选择采样的大图采样算法RASI（Random Areas Selection Sampling and Graph Induction）,并迁移RASI算法到频繁子图挖掘算法GRAMI中,将二者进行结合。在实验部分,本文选取了五个公开的不同类型的图数据集并使用多个评估指标进行实验结果的对比与分析。结果表明,相较于目前现有的可以在非连通图中进行图采样的其它算法,本文提出的RASI算法可以在不同类型的图形网络中生成具有更稳定的度分布属性的采样图且更有效地提高频繁子图挖掘算法的计算性能。同时,相较于原采样算法的采样效果更为充分,发现的子图数量更多。在Tox21-AR-LBD蛋白质数据集中最为显著,在保证准确率的前提下,相较于使用原始图的频繁子图挖掘算法,最多缩短了25分钟的计算时间并保持了与采样前完全一致的子图外观和子图数量。