频繁模式的挖掘一直是数据挖掘中的重要研究领域之一。随着计算机软硬件的发展,传统中的确定性数据可能存在缺失、出现噪声值,从而产生大量不确定性数据,如传感器、卫星图像信息、医院病人的诊断数据等。由于存在不确定性数据,传统确定性数据中频繁模式挖掘算法并不适用。本文以不确定性数据的频繁模式的挖掘算法作为研究对象,总结了目前两种主要的不确定性模型,分别是基于期望支持度和基于概率分布的概率模式两种。而且在不确定性数据中,基于期望支持度的挖掘算法丢失了项集的概率分布特征,不能表达频繁模式估计的准确性,因此本文主要采用基于概率分布的频繁模式表示,在此基础上,提出了不确定性数据频繁模式的垂直挖掘算法。本文的主要研究成果有：(?)对目前典型的不确定性数据频繁模式挖掘算法进行研究和总结,归纳出不确定性数据中的频繁模式挖掘的算法的一般特点。(?)由于项集的支持度是不确定性的,使用期望支持度的频繁模式不能说明估计项集频繁的准确性,因而采用引入置信度的频繁模式模型；通过理论分析证明,该模型相较期望支持度的模型更能准确地估计频繁模式。(?)提出了一种基于扩展方法的不确定性数据概率频繁模式垂直挖掘算法UPC-Eclat.该算法对Tidset进行扩展,递归建立子集搜索树,通过深度优先遍历搜索树来挖掘概率频繁模式。并且利用扩展动态计算模式优化项集的频繁概率计算过程,从而挖掘出用户自定义置信度和最小支持度下的频繁模式。(?)通过针对三种不同的数据集Chess, Mushroom, T10I4D100K进行实验,分析了最小支持度和最小置信度对两种基于置信度的频繁模式挖掘算法PFIM算法和UPC-Eclat算法进行分析比较,通过实验证明,本文提出的算法UPC-Eclat算法相较于水平挖掘算法PFIM算法更加有效省时。