随着社会科学技术的快速发展,各行业中积累了众多以图形式存储的数据。如在生物蛋白质网络、社交网络以及无线传感器网络中产生了大量的数据,其中包含了许多有用的知识和具有潜在价值的信息,因此以图结构为基础的挖掘技术应运而生。图挖掘是指从这些图数据中发现有价值的信息的过程。迄今为止,国内外学者对图挖掘的问题进行了广泛的研究,但是由于图结点之间存在连接不确定性、图中边的稀疏度和图结点个数的影响导致很难通过常用的数据结构进行分析,因此为了满足在各种网络中挖掘知识的需求,给出如下算法。首先,针对不确定图稠密子图中紧密子图快速挖掘算法,依靠子图中边个数与结点个数比值的函数和子图中各结点期望度数来衡量其紧密程度。由于该算法过程通过迭代实现,每次都需要删除一个结点和相连的边,导致存在算法时间冗余问题。因此为了减少算法时间开销,根据判定结点连接的关系和结点度数的计算,给出最小结点度数非唯一的ImproveALKS算法。其次,针对在大图中得到密切关联且存在概率较高的多个子图区域的问题,根据不同图中结点的连接情况,调整紧密子图阈值参数的输入,然后得到GC-ImproveALKS算法。该算法以贪心迭代的思想得到Top-k不重叠的紧密子图,删除该子图的所有结点与边,再去计算剩余结点的紧密子图,循环计算直到满足k值停止,输出Top-k最紧密子图。最后,通过多组数据的对比实验对紧密子图挖掘算法和Top-k紧密子图挖掘算法的时间效率进行了验证。