本文研究了有时间间隔的事件的挖掘问题。假设原始数据库由事件序列集构成，其中事件发生在时间间隔内，我们的目的是挖掘出数据库中频繁发生的间隔事件间的时间关联规则。之所以进行这项工作是因为我们观察到在实际生活中，很多事件并不是瞬时发生的，而是发生在一段时期内。因此，许多诸如网络监测，交易记录和医疗数据库的分析等实际应用都需要挖掘出间隔事件之间的关系。　　本文改进了现有的被称为EMEMISP(Extending of MEMory Indexing for Sequential Pattern mining)的算法，该算法用来从间隔事件数据中挖掘时间关联规则。在序列模式挖掘领域，MEMISP算法比其他诸如GSP和PrefixSpan等算法更高效，因此EMEMISP算法选择了扩展该算法，使其应用于基于间隔事件的时间关联规则挖掘领域。和EMEMISP算法相比，改进后的算法主要做了两个方面的提高。首先，在挖掘过程中，我们基于Apriori算法原理应用了剪枝策略，这将有效的降低算法的计算量。其次，和EMEMISP算法将每个模式中涉及的所有事件间的关系全部存储起来不同，我们只存储频繁2-模式中事件间的关系，在存储其他的n-模式时(n>2),通过增加相应的指针来指向对应的频繁2-模式。　　类似于EMEMISP算法，改进后的算法同样要求首先扫描数据库，并且不需要生成候选模式集和数据库映射。在得到所有的频繁模式后，应用相应的算法得到我们感兴趣的时间关联规则。　　除了改进EMEMISP算法外，本文还在此基础上研究了一些诸如最小支持度，最大时间差等关键参数对时间模式挖掘算法的影响。