特征表示是数据挖掘算法的基础,从原始数据中学习出高质量的特征有助于提高模型整体的性能和准确性,因此特征表示在数据挖掘过程中显得至关重要。由于特征通常是建立在原始数据上的特定表示,对于简单的数据,特征可以直接从原始数据中获得并转化成数值表达。随着技术的进步,涌现出大量的非数值类型复杂数据——符号序列数据,例如基因序列,顾客购物序列和web访问流序列等,此类数据无法按照简单数据的处理方式对特征进行表示。因此,通过建立新的特征表示模型挖掘隐藏在序列中的符号分布特性和时空顺序关系具有十分重要的意义。符号序列与传统的数值型数据存在结构上的差异。符号序列由离散符号构成,无法直接使用数值型数据距离度量方法对其进行计算;符号序列元素之间存在一定的顺序关系,通过人工提取特征将丢失较多的信息。在数值型数据上建立的模型方法运用于符号序列时可能无法获得良好的效果,需要学习特殊的特征表示模型对符号序列进行挖掘。本文以潜在迪利克雷分配（Latent Dirichlet Allocation,LDA）主题模型为基础模型,以符号序列的特征表示为研究重点,提出新的主题表示模型用于符号序列的挖掘;同时针对大数据,本文研究了主题表示模型的分布式并行运算,具有重要理论意义和实际应用价值。本文主要的研究工作有:1.针对现有符号序列表示方法特征维度高、学习算法时间复杂度高等方面的不足,提出一种主题特征表示法,将符号序列转换为一组表示多个主题呈现度的概率向量。新方法基于文本挖掘中常用的LDA主题模型,视短序列元组为序列的浅层特征（词）,继而利用LDA模型学习算法提取主题及其概率分布,作为序列的深层特征。在实际序列数据集上进行了实验,结果表明,新方法在降低特征维度的同时提高了表示模型的学习效率,在符号序列分类应用中可以取得较理想的分类精度。2.针对固定长度的子序列元组不能充分挖掘不同长度子序列结构特征的问题,本文提出一种符号序列变长子序列概率模型的主题表示方法以提高分类精度。根据符号序列的顺序特性,建立变长子序列的条件概率模型,学习出不同长度子序列的概率模型以及不同子序列长度的权重,结合主题模型,构建符号序列变长子序列概率模型的主题表示模型。在实际序列数据集进行实验,实验结果表明,新方法可以提高分类精度。3.为能够高效处理大规模的符号序列,本文将符号序列主题特征表示模型与Spark平台结合,利用并行计算对海量符号序列进行特征表示并进行分类。本文在LDA主题模型的基础上对模型进行改进设计从而适应分布式平台并行计算所需要的条件,然后在Spark平台上进行实验。实验结果表明,通过使用Spark分布式平台,可有效提高算法的运行效率满足对大规模数据的高效挖掘。