分类是数据挖掘的一个重要课题。随着数据规模与维数的增加,建立高效的、适用于大型数据集的分类算法已成为数据挖掘的一项挑战性任务。基于显现模式(Emerging Patterns,EP)的分类方法是针对大型数据集的分类提出的一种有效方法。EP作为一种新的知识模式,其能够捕获目标类和非目标类上多组属性之间的差异,具有很好的分类性能。本文首先介绍了分类的相关概念及基本技术;随后详细介绍了显现模式的基本概念、性质,显现模式的挖掘算法以及应用显现模式进行分类的一般方法;进而,深入比较了目前已有的几种基于EP的分类方法。在此基础上详细地设计与实现了一种基于显现模式的决策分类(DeEPs)方法,并以此算法为基础提出了改进策略,提出了一种新的基于EP的分类算法,即基于基本显现模式的懒惰式贝叶斯分类算法(Lazy Bayesian Classification based on essential Emerging Patterns,LBCeEP),并分析了算法的可行性和正确性。该算法使用懒惰式学习技术进行训练数据集的约简,并使用了一种特殊形式的EP,这种模式更能有效地反映类标属性,同时采用贝叶斯方法应用这种EP来进行分类,并且解决了参数的自适应选择等问题。通过实验进行了与NB,C4.5,TAN以及DeEPs算法广泛的比较与分析,实验结果表明该算法具有较好的分类性能。