数据挖掘领域中的序列模式挖掘是一个研究热点课题,而且带有周期性间隙约束可以使得挖掘更具有针对性。其中,基于无重叠条件的序列模式挖掘问题与其他同类研究相比更具有研究意义。传统的序列模式挖掘只考虑模式在序列中的出现频率,忽略了外部效用对于模式的影响,这就导致一些出现频率低但是极为重要的模式被忽略而一些出现频率高但是影响程度不高的模式被发现。这不仅降低了挖掘效率,而且使用户的可用性降低。鉴于此,本文研究了无重叠条件下带有周期间隙约束的高平均效用序列模式挖掘问题（HANP-Mining）,为了解决这一问题,本文提出了求解算法HANP-Miner。这种挖掘方法涉及两大核心问题:计算模式的支持度和高效的候选模式剪枝。在计算模式支持度时,深度优先创建网树并且在线搜索模式出现。在高效的候选模式剪枝中,提出了平均效用上界方法并结合Apriori性质的模式连接策略,从而有效地实现了候选模式缩减。理论证明,HANP-Miner不仅是完备性算法,而且时空复杂度均有所下降。大量对比实验显示,该算法不仅在挖掘能力和挖掘性能上有所提高,而且在实际生活中有更多的应用场景。本文主要研究内容和相关工作如下:1.本文研究了HANP-Mining问题,并对相关定义及性质作出详细的分析与说明。2.本文提出了一种新型的模式匹配算法DFOM,该算法采用深度优先的在线匹配策略,使用简化版网树结构,快速准确的计算模式在无重叠条件下的支持度,与当前同类算法NETGAP和Back Tr相比,时间复杂度和空间复杂度均有所降低。3.本文提出了一种有效的挖掘算法HANP-Miner,该算法利用平均效用上界满足向下单调性这一特征,采用模式连接策略生成候选模式,有效的缩减候选模式的数量,提高算法的总体运行效率。4.本文在DNA、病毒以及销售数据集上与多种挖掘算法进行实验从而证明了本文算法的高效性和准确性以及实用性。