随着信息技术日新月异的发展,在金融、物流以及天体研究等众多领域,时刻都会产生和记录海量的数据。而多数情况下,这些数据都存在着误差或者仅是部分完整的,数据的不确定性导致传统的数据挖掘方法不再适用于不确定数据。本文研究不确定数据的挖掘算法,对不确定数据的频繁模式和最大模式的挖掘进行分析研究,并分别提出新的算法,丰富了数据处理的手段,提高了数据挖掘的效率。频繁模式挖掘是数据挖掘领域的核心问题,本文提出了一种基于垂直结构的不确定数据频繁模式挖掘算法ProEclat。ProEclat采用数据集的垂直格式表示,避免了对数据集的多次扫描,使用两阶段模型的频繁项集判断方式,大幅提高了计算效率。实验证明,ProEclat伸缩性良好,性能优于同类算法。最大模式挖掘是频繁项集挖掘的重要研究分支,本文提出一种基于深度优先的不确定数据最大模式挖掘算法U-GenMax。U-GenMax采用多步回退机制、项排序策略、局部投影等剪枝优化技术,减少了算法运行的时间。实验和分析表明,U-GenMax性能良好,尤其适用于稀疏数据集和支持度较高的稠密数据集。