图模式匹配在当今社会中有着广泛的应用,如社交网络用户重识别,社交网络反匿名等。模式匹配问题指的是搜索所有同构于模式图的数据子图,它是一种典型的子图同构问题。现有研究大多针对单模式匹配问题,单模式匹配是一个采用顺序和独立的执行步骤在数据集中找到与模式图相匹配的所有匹配结果集的过程。然而,实际过程中总是需要将多个模式进行批处理,由于多个模式间存在公共子图,顺序和独立的执行过程将会产生重复计算的问题。因此,这种匹配过程不再适用于多模式匹配问题。多模式匹配问题是对单模式匹配问题的一个扩展,其主要的挑战是多个模式图之间的并发执行策略。为了应对这个挑战,本文提出一种面向RDF图的多模式匹配方法(简称M-PM方法)。首先,利用聚类算法将模式图分为k个类,使得类中模式图间的依赖性最强,类间模式图依赖性最弱。其次,对于每个类,通过最大公共子图算法挖掘多个模式间的公共子图,并将模式图间的包含关系构建成依赖图。根据提出的剪枝策略,将依赖图上冗余的节点和边删除形成依赖树。然后,提出节点分片表的概念,用来扩展依赖树中单一的包含关系。最后,设计了一种快速的多模式匹配算法,其通过对数据图的一次遍历便可以求得多个模式图的匹配子图。本文分别在三个合成和真实数据集上进行实验,并与三个具有代表性的算法进行对比。实验结果表明,提出的M-PM方法与其他算法相比执行效率有所提高。在处理相同规模的模式图的情况下,M-PM方法执行效率只与残差边个数有关,残差边越少执行效率越高。