关联规则挖掘是数据挖掘领域的一个重要研究方向,而频繁模式挖掘作为其中的一个关键技术和步骤,目前已经取得了较丰硕的成果。然而由于频繁模式挖掘的计算复杂度,因此业界提出了最大频繁模式挖掘问题。最大频繁模式不但隐含了所有的频繁模式,而且某些数据挖掘应用只需挖掘最大频繁模式。此外,随着网络技术和分布式数据库技术的迅速发展,使得分布式挖掘最大频繁模式的研究成为必然。另外,在实际挖掘应用中,由于事务数据库可能发生变化,并且用户可能不断调整最小支持度阈值来寻找更有价值的信息,因此如何对挖掘结果进行有效更新也是一个值得研究的问题。本文的研究工作主要体现在以下几个方面。首先,提出了用于挖掘分布式全局最大频繁模式的DMFP算法。该算法在各站点采用改进的频繁模式树(HSFP-tree)来压缩存储事务数据库,并在HSFP-tree上采用深度优先搜索策略来挖掘各局部最大频繁模式,并通过站点间的相互通信最终得到全局最大频繁模式。由于在挖掘过程中,不需产生条件模式树以及候选模式,从而减少了算法挖掘过程中的时间和空间开销。实验结果表明,该算法具有较好的性能。其次,提出了用于解决最小支持度阈值发生变化时的分布式全局最大频繁模式更新挖掘算法UDMFP。该算法在新的最小支持度阈值下,充分利用已挖掘的结果和频繁模式树,能够快速地进行全局最大频繁模式的更新挖掘。实验结果表明,该更新算法具有较好的执行效率。最后,提出了用于解决数据库记录发生变化时更新挖掘分布式全局最大频繁模式问题的CDMFP算法。该算法通过扫描新添加的数据记录得到新的局部最大频繁模式,并充分利用已建立的频繁模式树以及已挖掘的结果,可有效地降低网络通信量,从而提高更新效率。实验结果表明,该更新算法是行之有效的。