频繁项集挖掘是数据挖掘领域的一项重要任务。随着计算机技术的迅速发展,生活生产领域中很多实际应用能够持续、快速、实时地产生大量数据流。数据流的复杂性使得在其上进行频繁项集的挖掘颇具挑战性。此外,很多数据流中的数据往往是不确定的,通常以概率的形式来表示其存在性。传统的数据流频繁项集挖掘算法通常假定数据是确定存在的。不确定性的引入使得传统算法难以直接用于挖掘不确定性数据流上的频繁项集,而且针对数据确定存在的情况而设计的概要数据结构不再高效。因此,研究和设计针对不确定性数据流的高效概要数据结构和频繁项集挖掘算法变得日趋重要。本文对不确定性数据流环境下频繁项集挖掘问题进行了详细介绍,重点分析了目前该领域重要算法的优缺点,并且提出了一种基于滑动窗口模型的false-positive算法UFIM。算法通过引入最大可能误差来尽量缩小估计期望支持度同真实期望支持度之间的差距从而提高算法挖掘的准确性。此外,针对频繁项集挖掘算法难以预先设置合适的最小支持度阂值的问题,在UFIM算法的基础上,本文还提出了一种基于滑动窗口模型的Top-K频繁项集挖掘算法UFIMTopK。本文的主要工作包括：1、对不确定性数据的产生原因、表现形式以及处理模型进行了详细介绍,列举了目前针对不确定性数据流进行频繁项集挖掘以及Top-K频繁项集挖掘的重要算法,并且分析和讨论了这些算法的优缺点；2、针对不确定性数据流频繁项集挖掘算法SRUF-mine存在的挖掘准确性低的缺陷,提出了一种基于滑动窗口模型的false-positive算法UFIM,详细介绍了算法所用的概要数据结构以及算法主要思想,并且从运行时间、内存空间消耗和挖掘准确性三个方面对两个算法进行实验对比。实验结果表明,同SRUF-mine相比,UFIM算法能获得较高的挖掘准确率。3、针对最小支持度阈值难以预先合理设置的问题,结合UFIM算法,提出了一种基于滑动窗口模型的Top-K频繁项集挖掘算法UFIMTopK,介绍了算法使用的概要数据结构以及算法主要思想,并且对算法的性能进行实验分析。实验结果表明,UFIMTopK能在保证运行时间和内存开销合理的前提下,有效地挖掘出不确定性数据流中的Top-K频繁项集。