传统研究中,数据挖掘往往处理的是结构规整的数据。相反,存在于互联网中的树形结构数据,与传统的关系数据相比,能够表达更复杂的数据类型。互联网中树形数据规模愈加庞大,其将会成为人类知识的主要表现形式之一。因此,挖掘树形结构数据正在成为数据挖掘领域中重要的研究方向。在过去十年中,在大型静态数据库中挖掘频繁模式已被广泛研究。如今,数据流往往是顺序到达的而且难以从一开始就获取整个数据集,加之数据集的大小随着时间的推移在迅速增加。因此,传统的应用在静态数据库上的挖掘算法便不再适用。因其动态改变、高速到达、无限增长的特性,以及内存的有限性,快速识别数据流中最近时间内的数据的信息能为数据流的分析提供有更价值的信息。本文的研究基于上述两个研究热点进行的,讨论基于滑动窗口模型的数据流中频繁树模式挖掘问题,旨在挖掘数据流中最近时间段内的频繁子树模式。过去的研究中对数据流频繁项集挖掘已有广泛研究,但对于数据流频繁子树模式挖掘研究相对较少。StreamT是经典数据流频繁子树模式挖掘算法,且适用于滑动窗口模型。其在删除不在滑动窗口内模式效率不高,且提出的扫描分支栈结构繁琐。STMer算法是最近提出的挖掘数据流频繁模式算法,其比StreamT效率高,但更新模式计数的时候需要多次扫描子树模式。因此,本文针对以上问题,提出一种基于Trie Merging的改进的数据流频繁模式挖掘算法—SWMiner,SWMiner算法使用基于前缀树的结构来压缩存储生成的树模式并且基于Trie Merging机制能有效地更新子树模式的支持度。实验结果表明,SWMiner算法在滑动窗口模型中的性能优于目前现有的常用算法,能有效地挖掘最近时间段内的频繁树模式。