频繁项集挖掘是数据挖掘领域的一项重要工作,它是关联规则挖掘、聚类、分类的基础。随着信息技术的迅速发展,众多应用领域实时、持续、快速地产生大量的数据流。数据流由于自身的特点,使得在其上进行频繁项集挖掘面临巨大挑战。此外由于主观或客观原因,现实中很多数据是不确定的,其不确定性通常以概率的形式表示。传统的算法难以直接应用到不确定数据流上进行频繁项集挖掘,而且针对确定数据流设计的概要数据结构变的不再适用。因此,亟待研究并设计面向不确定数据流的高效概要数据结构和频繁项集挖掘算法。基于此,本文针对不确定数据流环境下频繁项集挖掘问题展开了以下研究工作:1、了解数据挖掘领域的相关知识,对数据流产生的背景、特点以及不确定数据产生的原因、表现形式、处理模型进行了详细的介绍。然后介绍了对不确定数据流进行频繁项集挖掘和Top-K频繁项集挖掘的经典算法,并分析了这些算法的优缺点,为下一步的研究奠定了基础。2、针对不确定数据流频繁项集挖掘的经典算法SUF-growth存在SUF-Tree的压缩率太低,造成挖掘算法的时空消耗太大的问题,提出了一种新的支持度的计算方法,即计算后缀支持度,并在此基础上提出了存储概要信息的树结构P-Tree及相应的挖掘算法P-growth算法。最后通过设置不同的最小支持度、窗口大小、批大小等参数值,与SUF-growth算法、UDS-FIM算法进行对比。实验表明,P-growth算法在时空消耗方面优于其余两个算法。3、针对在不确定数据流频繁项集挖掘的最小支持度阈值难以预先合理设定的问题,结合P-growth算法,提出了一种基于滑动窗口模型的Top-K频繁项集挖掘TOPPT-growth算法。为了提高挖掘算法的效率本文给出了两种优化策略:(1)动态设置挖掘阈值;(2)自适应调整剪枝阈值来提高算法的精确度与时空效率。最后对算法的性能进行了实验分析,实验表明所提出算法能够在保证运行时间和内存开销合理的前提下,有效地挖掘不确定数据流中的Top-K频繁M项集。