数据库技术及其相关技术的发展趋于成熟,在各个行业都得到普遍使用,使得数据库中累积了大量的数字化资源。我们迫切需要把数字化的资源转化为知识,让知识参与到生活的决策中。目前,序列模式挖掘异常火热,理论研究成果颇丰,涌现出多种经典的序列模式挖掘算法,在实际应用中也取得了突破性的进展。在序列模式挖掘研究的初期,我们没有把每个项目的重要程度考虑在内。把所有的项目看的同等重要,不能保证在数据集中获取到的序列模式是用户最感兴趣的。本文提出了一种新的加权赋值方法,将权值的范围进行了合理的限定。序列模式挖掘存在一定的局限性,有价值的信息也可能存在于已发生的事件和没有发生的事件之间,因此负序列模式挖掘应运而生。负序列模式挖掘需要更多的存储空间以及消耗更多的时间。本文通过几种常见的序列模式挖掘算法,详细概括了它们之间的相同之处和不同之处,重点剖析了它们的剪枝过程使用的不同策略和方法,并且使用实验对它们进行了验证。本文在加权负序列模式挖掘算法WNGSP中引入了最小支持数和k-加权支持期望的剪枝策略。本文所使用的数据集由IBM数据生成器生成和UCI官方网站免费提供,使用了改进后的k-WNGSP算法和WNGSP算法进行了实验对比,结果发现它们在运行时间和获取到的加权负序列数目上存在差异。在其它的条件保持不变的情况下,k-WNGSP算法可以挖掘出更多的加权负序列模式,消耗更少的时间。本文通过三个实验证明了该算法的有效性,取得了较为理想的实验结果。