随着人类科学技术的进步,记录事件发生的时空事件数据越来越丰富,基于事件类型的时空序列模式挖掘研究在诸多领域有着广泛应用。由于领域中的先验信息未知,参数模型会对模式匹配精度造成影响。此外,由异常数据表征的事件异常模式通常发生于一定时空范围内,考虑数据属性间相关性且适用于长度变化序列的时空异常区间检测方法是发现时空事件序列模式的一个重要组成部分。针对事件序列模式挖掘的异常检测和触发模式匹配两方面问题,本文提出无偏散度的非参数算法（UDNT）。算法主要分两个部分,异常检测阶段:无偏散度异常检测子算法（UKLD）首先定义时空时间序列的异常区间,时延嵌入后将检测区间和剩余区间估计为高斯分布,通过累计和加快高斯分布的参数估计过程,最后使用无偏KL散度计算区间之间的差异水平,采用非极大值抑制方法得到时空异常区间。触发模式匹配阶段:非参数触发子算法（NPTP）首先基于多变量Hawkes模型,用非参数条件强度函数约定触发关系,随后迭代计算触发关系的条件概率,最后由秩选择得到显著的事件类型触发关系并将概率中值的均值作为其显著性值。将两个子算法结合来处理时空事件序列模式发现问题,对原始数据先提取重要异常部分再进行后续模式挖掘过程能较好适用于多种应用场景。为验证算法有效性,首先选择通用的城市事件合成数据集和来自CHICAGO DATA PORTAL中的真实事件数据集作为仿真数据集,在Matlab上进行仿真验证;其次在合成数据集中将子算法UKLD与RKDE、HOT SAX在检测序列长度为定值和取值区间的情况下对比算法的精度;最后在真实数据集中对比采用UKLD提取异常后的数据用于触发关系挖掘算法NPTP、CSTP和SSTS的性能,并且,在不同离散化级别下对比NPTP的计算精度。仿真结果表明,对于长度不同取值或任意取值区间,UKLD在平均精度上有较大提升,说明UKLD算法能更精准地检测异常;对于三种离散化级别,NPTP的挖掘性能优于CSTP和SSTS,且采用由D函数计算的最佳离散化级别使NPTP的精度最高;本文提出的UDNT算法应用于时空事件序列模式挖掘中,能保证较高的事件触发关系识别精度。