复杂生物网络中的频繁模式在揭示生物体的功能、进化以及疾病等方面有着重要的意义。由于生物网络的规模较大,传统的网络聚类算法有着很高的时间复杂度,如何快速从大规模生物网络中探测稠密子图成为亟待解决的一个难题。直觉上,在一个稠密子图中,其中的任意一条边都与其近邻边之间紧密相连。本文提出了一种新的测度——边稠密度系数,它能够较好的识别一条边是否位于一个稠密子图。结果表明:这一测度与边的中介性具有较好的反相关性。由于边稠密度系数的计算非常简单,利用它进行单个网络中的稠密子图的挖掘,可以明显降低计算的复杂度。在此基础上,我们研究了网络集中的频繁稠密点集的挖掘问题,基本的思想是将该问题分为二个子问题:候选网络子集的确定与每个网络子集中的频繁稠密点集的识别。算法的主要思想是:通过迭代过程逐步求精摘要图。仿真实验结果表明:该算法具有简单、时间复杂度低和一定的鲁棒性等优点。最后,本文集成了有关酵母的基因表达谱数据,建立了20个共表达网络,每个网络包含5672个基因;并将我们的算法应用到此真实生物数据的挖掘,利用GOEAST工具对计算结果进行了GO分析,结果显示该算法找到的频繁稠密点集所包含的基因在若干生物组件、功能或过程中显著富集,这些基因之间相互联系紧密。