随着社会的发展,人们收集了越来越多的数据。但往往它们会有部分缺失、含有噪音等问题。可是传统的频繁项集挖掘算法已不再适用这种不确定性数据的挖掘。所以,我们需要新的算法来处理不确定性数据。本文讨论了现有的UF‐growth算法,通过实验测试了它的有效性和高效性(和U‐Apriori算法进行比较而言)。但是,UF‐growth算法还是有一定的缺陷:过多消耗资源、费时等。所以,本文针对这两个问题,提出了两种改进的方法,并提出了相关的三个新算法:(1)为了节省系统资源,增大构建UF‐tree时节点的共享率,我们采用了对不确定数据库中项集存在概率有效位数进行限制的方法,并提出了新算法LUF‐growth。通过实验表明这种方法是有效的,且优于改进前的UF‐growth算法。(2)在构建UF‐tree时,为了避免插入新事物时算法遍历UF‐tree所用的时间,我们对头表进行了改进(添加U‐tail域),并提出了新算法UFT‐growth。通过实验表明这种方法是有效的,且提高了原算法的效率。(3)我们同时结合方法(1)、(2)对UF‐growth算法进行了改进,提出了新的算法LUFT‐growth算法。实验证明了LUFT‐growth算法能够节省更多的时间。