概念格是一种完备的数学模型，描述了概念内涵与外延之间以及泛化与例化之间的关系，因而适用于数据和知识的表示以及包括分类、关联、序列和聚类等多种知识发现问题的描述。随着数据规模的迅速增长，概念格的分布式构造成为重要的研究内容。本文研究了概念格的分布式/并行构造方法和概念格模型应用于序列模式挖掘时的约简算法，以提高算法的效率，使得算法适用于更大规模的数据库。 本文的主要工作如下： (1)研究了一种基于索引的概念格分布式构造方法--LCBI。构造时主站点先将形式背景划分并发送至从站点，从站点建好子格后发送回主站点进行合并。合并时主站点找出当前插入概念的极大相关概念后自项向下并行地搜索，直至找出它们两两间的交叉子概念。插入时只需比较极大相关概念和它们的交叉子概念，以减少比较的范围，提高建格效率。 (2)研究了一种基于概念近似度约简的序列模式挖掘算法。该算法基于概念近似度的定义，先对交易数据库进行建格，再约简满足近似条件的概念，以减少相似的频繁卜序列的数量，从而减少总的相似频繁序列的数量。实验证明，挖掘海量数据时，在允许一定误差的前提下，该算法显著地提高了算法的效率和挖掘结果的可理解性。 (3)设计并实现了基于概念格的序列模式挖掘原型系统GCLKDD。该系统包括数据预处理模块、概念格构造模块、概念格约简模块、序列模式挖掘模块，可以完成基于概念格和约简概念格的序列模式挖掘任务，也可以作为平台进行相应扩展。