频繁模式挖掘旨在通过数理分析，揭示数据中的潜在价值。随着各行各业中数据流的涌现及不确定数据管理技术的发展，传统的频繁模式挖掘算法不再能够满足应用需求。因此，面向不确定数据流的数据处理成为一个新的研究热点。本文对面向不确定数据流的频繁模式挖掘算法进行了研究，从对前缀树剪枝和改进预处理算法两个方面对SUF-growth算法进行了改进。本文的主要工作概括如下：1.概述了不确定数据流的产生原因及模型，分析了不确定数据流挖掘技术及框架，介绍了频繁模式挖掘相关算法。2.详细分析了SUF-growth算法中的倾斜窗口和前缀树结构，以基于时间衰减的历史数据压缩算法为基础给出了基于结点距离的前缀树剪枝算法。仿真实验表明剪枝算法能有效降低前缀树规模和算法计算量。3.详细分析了基于前缀树的频繁模式挖掘算法的预处理模块，结合前缀树剪枝算法给出了单遍扫描的频繁模式挖掘算法。仿真实验表明该算法从降低构建前缀树的时间代价的角度提高了SUF-growth算法的效率。