在信息化时代,互联网的快速发展大大改变了人们的生活,人们的生产活动大多都在互联网上进行备案,产生相对应的业务流程信息。对于企业来说,对业务流程进行分析可以获取企业日常行为信息的执行情况以及发生异常的背景,以对企业内部工作结构进行调整和优化。流程挖掘技术既可以利用日志信息达到这一效果,通过对事件日志的处理,使日志中的信息可以尽可能完整的展现在挖掘出的流程模型中。然而在大数据不断发展的今天,人们日常接收到的数据呈爆炸式增长,企业内部也大量记录了用户相关的信息。流程挖掘技术在应用于大型事件日志时,在计算需求和生成输出的可解释性方面都存在可伸缩性问题,因为从大型事件日志中发现的流程模型通常提供的见解往往有限,产生的模型通常会具有低精度与低适应性的问题。为解决上述问题,比较常见的解决方法是将流程分解为各个阶段,每个阶段进行单独的流程挖掘,建立单独的业务模型。最后再将子模型进行合并,形成最终的业务流程模型。基于此背景,本文研究了基于日志的业务流程分解与挖掘方法。针对流程分解准确度低的问题,文章创新地提出了一种基于图聚类的流程分解方法。该方法使用最大流算法选出候选分割集,并通过最大化模块性差异的方式进行模块聚类,获得分块的活动集合,实现更加接近人工分割的效果。由于连接更加紧密的活动被分为同一阶段,分解结果在现实含义上也更加具有解释性。针对挖掘后的模型复杂度高,精确度低的问题,文章给出了基于子流程集的流程挖掘方法。首先,将子流程集构建成基于时间的并行流程图,其次,对挖掘出的子流程模型进行按照顺序的聚合和化简,最后,根据业务流程信息对流程模型细节进行完善,形成最终的业务流程模型。在实验验证部分本文对于流程分解和基于分解的流程挖掘两部分都进行了详细的分析,通过与生成平滑模型的挖掘算法和同样基于分解的挖掘算法的对比,验证了本文提出的基于图聚类的流程分解算法以及基于分解的流程挖掘方法的有效性。