作为行为科学的重要组成部分,未发生行为的研究越来越受到学者们的关注。负序列模式挖掘作为一种同时发现发生和未发生行为的有效方法,在医疗行为分析、异常行为检测、推荐系统、教育等领域均有广泛的应用。但目前负序列模式挖掘算法的时间和空间效率依旧不高,即使作为最先进的算法f-NSP,仍存在着许多缺陷。此外,现有的负序列模式挖掘算法都是采用分段挖掘方法,即先利用正序列模式挖掘算法获得正序列模式,进而得到负序列模式,不能在挖掘正序列模式的同时获得负序列模式,这也使得算法效率不高。本文重点研究负序列模式挖掘效率问题,探索正负序列模式同时挖掘方法,并针对其中的关键问题进行了深入探讨。具体如下:本文针对f-NSP算法中的不足,提出了一种改进的负序列模式挖掘算法sc-NSP来挖掘更多有用的负序列模式。首先,通过一种改进的Prefix Span算法来挖掘正序列模式,相比于原算法使用的数组结构,改进的Prefix Span算法使用了位图结构,节省了空间消耗。其次,为了增加负候选的数量,发现更多有趣的负序列模式,我们放宽了频繁约束,并更换了负候选序列生成方法。此外,还设计了一种新的剪枝策略,来减少sc-NSP的计算复杂度。最后,利用位操作获得负候选序列的支持度。理论分析表明sc-NSP算法在稠密数据集上的表现出色。且通过大量实验证明了,sc-NSP算法的效率和获得的负序列模式数量优于与其他方法。同时,针对现有的负序列模式挖掘算法均为分段挖掘的问题,本文提出了一种正负序列模式同时挖掘算法B-NSP。首先,我们提出了一种新的适用于正负序列模式同时挖掘的负包含定义,并进一步放宽了负约束条件。其次,使用了一种新的存储结构来存储序列信息,该结构包含了位图、哈希表和指针,解决了仅使用位图结构无法表示出负序列的所有信息的问题。最后,B-NSP算法通过深度递归的方式来生成正负候选序列,并利用位操作来计算候选序列的支持度。通过多方面的实验验证了B-NSP的时间和空间效率相较于其他算法更优秀。