流数据挖掘中的一项重要任务就是挖掘序列模式,其目的是在流数据中挖掘出所有满足最小支持度的频繁序列。流数据中序列模式的挖掘的应用十分广泛,包括网络流量访问日志分析,web点击流分析,网络入侵检测,金融事务数据的动态跟踪,以及连锁商店的在线交易数据分析,等等。由于流数据的大小不确定,反应速度较快,不能回溯访问之前的事务,并且没有合适的系统对流数据到达的顺序进行控制,使得在流数据中挖掘频繁序列模式是一项很艰巨的挑战。　　 目前有三种流数据挖掘模型,分别是时间戳窗口模型,倾斜窗口模型以及滑动窗模型。本文采用滑动窗模型,并根据用户的偏好给不同窗口分配不同的权重。这样可以直接反映用户的偏好以及不同窗口在挖掘过程中的重要性。　　 本文简要介绍了序列模式挖掘算法SPAM,并基于SPAM的特点和不足提出SPAM—Imp算法,对SPAM算法进行优化。本文利用SPAM算法,提出SWSS算法和MSWSS算法分别挖掘基于权重滑动窗模型中的频繁序列模式和最大频繁序列模式,并利用SPAM-Imp算法提出SWSS-Imp算法和MSWSS-Imp算法分别对SWSS算法和MSWSS算法进行性能优化。为了验证SWSS算法和MSWSS算法的可行性,本文采用多组标准测试数据对算法进行实验对比。除此之外,为了验证SPAM-Imp算法、SWSS-Imp算法以及MSWSS-Imp算法的相对性能优化,本文同样利用多组测试数据对算法进行实验对比。实验结果表明,本文提出的SWSS算法和MSWSS算法是可行的,并且后续改进算法在挖掘性能上有明显优势。