许多经典问题都用图结构来表示,图结构与关系数据相比有着更强的表达能力。网络模体的挖掘是研究复杂网络的重要分析手段,网络模体是指网络中频繁出现的互相连接的子结构,其在原网络中出现频度明显高于在随机网络中出现频度。实验表明,网络模体的研究有助于研究网络的功能模块和网络动态变化过程。目前,国内外学者对模体的挖掘的研究已经有了一定进展,其研究主要集中在确定网络模体挖掘。然而,在现实生活中,信息不精确、甚至缺失常常是无法避免的,此外,网络表示的问题本身也可能是动态变化的。这使得抽象出的图模型,往往带有不确定概率信息。因此,本文针对不确定网络概率模体挖掘进行了研究,主要工作包括：(1)基于概率距离的性质,提出了不确定图概率同构的概念。并对不确定图概率距离进行了推导,所得的定理为后续算法的实现提供理论依据,并且简化了计算法则。(2)提出了不确定图概率同构算法。在经典图同构算法VF2算法的基本框架上,将不确定图概率同构概念纳入搜索过程,使得算法能够找到满足条件的最优匹配。实验验证了该算法能快速判断不确定图概率同构。(3)提出了一种不确定网络频繁概率模式挖掘算法。该算法采用基于划分的非树形子图方法搜索指定大小的子图,利用分级层次聚类算法对子图集合进行聚类。该算法能够快速地在不确定网络中批量地得到频繁概率模式。(4)提出了一种概率模体统计意义评价算法,该算法将原网络的拓扑特性与概率权值进行分离,利用确定网络随机产生算法使得网络的拓扑结构得到充分的随机,利用EM算法得到概率权值的概率分布。对于特定概率子图,用期望估算该概率子图在随机网络中的频度和方差。利用拟合优化检验评价参数估计的质量,在生物网络的实验中证明了对模体评价的有效性。