在一些模式挖掘问题研究中,经常会挖掘出大量用户不感兴趣的模式,这些模式在实际生活中难以应用。由于越频繁的模式,越容易是用户关心的模式,为此提出了Top-k模式挖掘。尽管该模式挖掘可以帮助用户找到最频繁的k种模式,但是在满足Apriori性质的挖掘中,Top-k挖掘只能挖掘到短模式。然而短模式所包含的信息量不如长模式的多。为此本文针对无重叠序列模式挖掘问题,研究挖掘各个模式长度下前k个支持度最高的模式,即无重叠条件下的Top-k序列模式挖掘。本文的主要研究内容和相关工作如下:(1)分析了传统Top-k序列模式挖掘存在的缺点,对周期间隙约束的Top-k序列模式挖掘算法MAPBOK和改进的Top-k序列模式挖掘算法NOSEP-k进行了描述和分析。针对已有Top-k算法存在的不足,本文提出了无重叠条件下的Top-k序列模式挖掘算法NOSTOPK(Non-overlapping Sequence Pattern Mining for Top-k)。(2)本文算法NOSTOPK采用网树结构计算模式支持度,无需设置最小支持度阈值,有效解决了最小支持度阈值ρ在频繁模式挖掘中难以设置的问题;每次都选择支持度最高的前k个模式向下挖掘,探寻其对应的k*|?|个模式中支持度最高的前k个,不但减少了模式候选集的数量,而且对模式进行了有效压缩。(3)传统的Top-k模式挖掘算法是为了得到所有频繁模式中最频繁的前k个模式,而本文挖掘算法可以得到各个长度下支持度最高的前k个模式,满足用户对模式的特殊需求。大量的实验结果验证了我们提出的NOSTOPK算法的可行性和有效性。