对比序列模式挖掘是数据挖掘中的重要课题之一,在实际应用中具有非常高价值。对比序列模式挖掘旨在从具有类标签的序列数据中挖掘出具有明显差别的序列模式。近年来各种各样的对比序列模式挖掘算法相继被提出,然而关于对比序列模式冗余问题的研究依旧匮乏。对比序列模式挖掘主要分为两大类,分别为指定阈值的对比序列模式挖掘和top-k对比序列模式挖掘。现有方法挖掘出的序列模式都会存在一定的冗余,冗余是对比序列模式挖掘中一个急需解决的问题。导致对比序列模式挖掘结果冗余的原因较多,其中一个重要诱因是差异显著的子模式,即某个差异显著的子模式可能导致其父模式也是差异显著的。为了解决子模式产生的冗余影响,本文提出了条件对比度的概念,并针对这一概念提出了一个新的模式挖掘问题,即条件对比序列模式挖掘。本文将条件对比序列模式挖掘分为两类:(1)指定阈值的条件对比序列模式挖掘问题;(2)top-k条件对比序列模式挖掘问题。针对这两类模式挖掘问题,本文提出了CDSPM算法和TKCDS算法。其中CDSPM算法是针对指定阈值的条件对比序列模式挖掘问题。在CDSPM算法中本文运用Next跳转指针及相关算法计算条件对比度。TKCDS算法是针对top-k条件对比序列模式挖掘问题。TKCDS算法通过构造最小堆模式hash tree来计算条件对比度。CDSPM和TKCDS均采用GSP构造候选序列模式。本文选用了一系列公开的数据集进行了对比实验。实验表明条件对比度能很好地排除子序列模式的影响,在去除冗余问题上效果非常明显。利用CDSPM算法和TKCDS算法能够高效地挖掘出条件对比序列模式,并能过滤掉大量冗余的模式。