近来许多应用领域如股票数据、网络流量监控,点击流、传感器网络、电话记录等领域中需要处理数据流问题,所以数据流的问题越来越引起人们的关注.而频繁模式的发现通常又是其他挖掘问题如关联规则发现、序列模式发现等其他挖掘问题的基础,在现有的频繁模式挖掘算法中,一个主要的缺陷就是当支持度减小或者单项集(distinct item)的数目增多时内存的要求将很大,有些甚至呈指数增长,这样就限制了算法的进一步应用.在本文中,我们提出了一种新的方法来发现数据流中的频繁项集,针对数据流环境中挖掘频繁项集存在的一些问题,我们的工作主要有如下几个方面:1)解决了在有限内存中挖掘频繁项集的问题,并且在当支持度非常低或者单项集(distinct itemset)非常多的情况下对内存的使用也达到了一个非常合理的数量.2)我们设计的算法在理论上和实践中都证明是非常精确的,在任何时候,精确度都达到了100％,然而其他的频繁挖掘算法如Jin和Agrawal提出的In-core算法,(该算法是到目前为止最精确的算法),也只是在少数情况下精确度达到100％并且当ε增大时,精确度随之下降.3)我们设计了一个新的数据结构(F1FET)并且提出了一种新的维护方法.最后的实验结果也表明我们的算法较之于其他方法在节省内存方面和准确性方面都有较大的优越性。