随着计算机科学的发展和人类文明的进步,网络的发展越来越迅速,通过网络传播的大量数据由此产生。如何从大量的数据资料中找到隐含的有用信息也成为了研究的关键,数据挖掘作为一个可以从亿万条数据中提取有用信息的研究方向应运而生。序列模式挖掘是数据挖掘的一个重要的分支,可以挖掘出所有满足某些特定频率约束条件的有用模式,广泛应用于生物医学、信息检索等领域。对比序列模式在商品推荐、用户行为分析和电力供应预测等领域有着广泛的应用。带有密度和间隙约束的对比序列模式挖掘是挖掘出所有满足密度与间隙约束并且在正例序列库中是频繁的在负例序列库中是非频繁的一种模式。与传统的对比序列模式挖掘问题相比,带有密度约束的对比模式更有助于发现生物序列中的一些特殊因子的分布情况,更有利于发现新的突变因子。因此,本文主要对基于密度约束和间隙约束的对比模式挖掘问题进行了研究。本文的研究内容和相关工作如下:1.本文应用网树结构,构造了MDSP算法。该算法只需一次扫描序列,即可计算当前模式的所有超模式的支持数,并进一步采用广度优先方式生成候选模式树,从而挖掘了所有对比模式。2.对MDSP算法的时间复杂度与空间复杂度进行了理论分析。3.针对真实DNA数据集和蛋白质数据集,对MDSP算法和同类算法gd-DSPMiner算法从挖掘的对比模式数量以及挖掘速度两方面进行了对比。大量实验结果表明,MDSP算法比gd-DSPMiner算法挖掘对比模式数量多,并且在对蛋白质序列数据库这种具有很大字符集的数据库挖掘时,MDSP算法挖掘速度快。