随着人们利用信息技术生产和搜集数据的能力大幅提高,数据资料的规模急速膨胀,我们已经被淹没在数据的汪洋大海中。作为大规模数据处理和决策支持的关键步骤之一,数据挖掘受到了人们的广泛关注,而频繁模式挖掘是其中一个重要的研究课题,其研究重点是发现数据中的特征信息,即模式。近年来,频繁模式挖掘技术已经广泛运用于各个领域,但是,随着数据挖掘越来越多的运用于新的领域,原来的频繁模式挖掘方法已经无法适应问题的需要。这是因为这些方法都以项集为基本操作对象,而现实生活中万物皆有内在的联系,彼此之间构成一张复杂的网,因此用图模型来抽象相关领域的问题更加符合真实情况。在图模型下,频繁模式的挖掘即是在图中寻找频繁出现的子图。本文在分析已有图模式挖掘算法的基础上,提出了基于相似性度量的图模式挖掘方法SBPM(similarity based pattern mining),它首先利用一个高效的枚举算法找出图中所有规定大小的子图,然后基于图的顶点及顶点周围结构的相似性度量两个图之间的相似性,在获得的相似性基础上对这些子图进行聚类分析,将相似子图聚为不同的类别,最后从频繁的相似子图类别中诱导出图模式。该方法能够直接找到指定大小的模式,并且通过相似性度量避免了子图同构操作,有效地提高了模式挖掘的效率。通过多种真实网络数据的验证,SBPM算法能够准确、高效地挖掘出图中蕴含的模式。