信息技术的日新月异使得各个领域的数据量激增，在此背景下诞生的知识发现和数据挖掘给人们提供了一种新的认识数据、理解数据的智能手段。序列模式发现是其中的一个重要研究课题。本文针对目前序列模式发现研究中的一些问题展开研究，主要研究工作如下：(1)详细讨论了序列模式的基本模型以及经典的发现方法，展现了序列模式发现研究领域的应用前景及所面临的挑战。(2)提出了以图结构表示序列数据库的模型，并在此基础上提出了一种基于图结构发现序列模式的新算法GBSPM。传统的算法需要多次扫描数据库，I／O开销大，导致时间性能不佳。本文提出一种图结构模型用于表示数据库中的序列信息，仅需扫描一次数据库，即可将与挖掘任务相关的信息映射在图中。基于这一结构的序列模式发现算法GBSPM克服了传统方法中反复扫描原始数据库的弊端，又可以充分利用图中表示的项目之间次序关系，提高了频繁序列的生成效率，更能方便地发现带有时间约束的序列模式，从而提高挖掘的质量和效率。实验证明，该算法较传统的序列模式发现算法在时间上具有优越性。(3)提出了一种利用已发现序列模式对数据库中的客户序列进行聚类的方法。该方法利用发现的序列模式描述客户序列的特征，在此基础上定义了客户序列之间相似度函数和客户序列分组的平均值，使得经典的聚类方法可以应用于序列型数据，实现了对包含相似模式的客户序列进行划分。理论分析和实验表明，与已有的序列聚类方法相比，本文所提出的方法不仅可以得到更加优化的聚类，而且效率更高。