对国内外数据流频繁项集挖掘研究情况分析可知,以往的挖掘算法还存在诸多问题。简单的频繁项集挖掘由于没有采用合理的约束思想,挖掘出的频繁项集相当庞大;增量挖掘方法大部分是处理数据流中新到数据的插入,很少涉及过期数据的删除;单纯的频繁项集挖掘忽略了挖掘结果的时间特性。本文针对这些问题,将研究重点放在基于FP-Tree概要数据结构的数据流频繁项集挖掘算法的研究上,解决这些问题对研究电子商务、商业智能以及市场决策等领域具有重要的意义。本文首先设计了一种数据流中当前频繁闭项集挖掘算法HCFI,根据滑动窗口模型,有效的限制了过期数据对挖掘结果的影响。该算法采用闭项集增长策略,仅从当前滑动窗口的数据流中挖掘闭项集,增强了挖掘结果的实时性。该算法在处理时间和内存消耗上优于算法CFI-Stream。其次,提出了数据流滑动窗口上的最大频繁项集挖掘方法SW-MFI。该算法解决了在挖掘结果不要求项集支持度计数的条件下,获取精确频繁项集结果的问题。该算法较算法DSM-MFI具有较好的时间和空间效率。最后,设计了一种数据流中基于约束的频繁项集挖掘算法ConFI-SW。该算法把滑动窗口中的挖掘过程分为两部分:窗口的维护和基于约束的频繁项集挖掘。算法的时间效率和空间效率较以往算法都有所提高。本文使用C语言对上述算法进行实现,使用现实数据集BMS-WebView-1和BMS-WebView-2进行基于滑动窗口的数据流中频繁闭项集和最大频繁项集挖掘,通过对不同处理结果的对比分析,所提出的算法在解决各自的问题上是有效的。