如今,随着现代科学技术尤其是计算机技术的快速发展和信息系统的不断普及,我们早已置身于大数据时代。面对如此庞大的数据量,人们显得束手无策。在这样的环境下,数据挖掘产生并不断发展成熟,它综合了多门学科和领域的知识,主要有模式识别、人工智能、机器学习和统计学等等,在各领域均受到高度的重视。数据挖掘的最终目标是从看似杂乱的事务数据集中挖掘有用的知识,其中如何在海量数据集中准确高效的挖掘关联规则是一个热门的研究方向,而频繁模式挖掘是进行关联规则挖掘的第一步。本文主要对频繁模式的挖掘方法进行研究,重点研究以下几个方面:优化DiffNodest数据结构并应用到频繁项集挖掘算法中;利用改进的BPSO算法挖掘大但稀疏的数据集;结合模糊集理论与频繁项集挖掘算法发现模糊频繁项集。本文的主要研究内容如下:(1)对频繁模式挖掘方法中基于DiffNodeset数据结构的算法进行了深入的研究,针对该类算法存在的问题提出了基于BNodeset数据结构的挖掘方法,使用一种优化的节点编码方式即二进制编码方式为各节点进行编码,并利用多种优化策略对算法的搜索空间进行裁剪。通过理论分析和实验验证,证明提出的算法在挖掘频繁项集的时间效率上有所提高,同时也有效地减少了算法运行时的内存占用。(2)针对基于BNodeset数据结构的挖掘方法难以处理非常大但稀疏的数据集,引出基于PSO算法的关联规则挖掘方法,并提出一种基于改进BPSO的频繁项集挖掘方法,分别从适应度函数设计、初始种群预处理及裁剪搜索空间3个方面进行研究。通过对初始种群进行预处理来保证粒子具有合理的初始适应度;设计一种动态裁剪搜索空间的优化策略,该策略在算法运行过程中对数据集的维数进行裁剪。通过理论分析和实验验证,证明提出的算法能明显提高挖掘效率。(3)针对经典频繁项集挖掘算法主要挖掘布尔型数据,难以对非精确或者是模糊的概念进行挖掘,结合模糊集理论,将一种压缩树结构应用到定量数据库中挖掘模糊频繁项集,同时使用有效的剪枝策略减少算法的搜索空间。通过理论分析和实验验证,证明提出的算法能明显提高频繁项集挖掘效率并减少算法内存消耗。综上,本文对数据挖掘算法的研究取得了一定进展,具有一定的研究价值。