随着互联网技术和通信技术的发展与应用,经济、自然科学、工程技术等各领域都积累了越来越多的数据。其中有一类重要的数据,可以体现数据在时间上的先后关系,称为时间序列数据。针对时间序列数据的频繁模式挖掘可以找出数据在时间先后顺序中蕴藏的周期性变化和频繁出现的模式,帮助决策者做出更合理的决策。实际生活的各领域中大量的时序数据被不断的实时产出且难以完整保存。例如网络中的交互数据,股票证券交易的实时数据,卫星通讯传输的实时数据等等,这种动态、快速,大量的数据,称为流数据。虽然针对静态数据的频繁模式挖掘已经相对完善,但针对流数据的频繁模式挖掘还处在一个不成熟的阶段。由于对流数据进行处理时只能对其进行单次扫描且无法完整保存,所以传统针对静态数据的频繁模式挖掘算法在性能上很难满足流数据处理需求。如何提升算法效率使算法可以应用于流数据的频繁模式挖掘逐渐成为了一个热点研究方向。本文对已有时间序列数据挖掘算法进行分析,在其基础上进行优化并提出一种可以并行处理多数据流的流数据频繁模式挖掘算法Parallel-Pisa。由于原算法采用串行处理方式对时间序列数据进行处理,算法效率较低,不能满足流数据处理需求。所以本文从提升算法效率角度出发,采用并行处理机制对算法进行优化。利用多核资源对流数据进行处理,提升算法效率使之可以较好的应用于流数据频繁模式挖掘中。由于流数据具有较大的不可预测性,当算法对流数据进行处理时,不同时间段内流数据的流速可能变化较大,忽快忽慢。当流数据产生爆发性的增长时,如果不增加算法使用的资源则可能导致系统负载过高,不能及时处理大量到来的流数据。当流数据恢复至较低的流速时,不对算法使用的资源进行调整则可能会导致算法长期占用过多的资源,造成系统资源的浪费。面对这一问题,本文针对Parallel-Pisa所使用数据结构、Parallel-Pisa内部并行原理及流数据自身特点三个方面进行研究,设计并实现了一种应用于Parallel-Pisa的自适应并行策略。算法在应用时可以对自身的并行方式进行自适应调整,使算法使算法在流数据处理过程中具有更高的稳定性且提高了算法对资源的使用率。本文最后将Parallel-Pisa及其自适应策略整合为一个系统,并通过该系统对Parallel-Pisa性能及自适应策略效果进行测试。实验结果证明,Parallel-Pisa与其他对比算法相比达到了预期优化效果,且自适应策略具备一定的可用性。