在网络流量管理、金融数据分析、网站日志管理、视频流版权保护等数据流应用中,由于设备精度、噪音、干扰和隐私保护等问题,数据流中往往包含着大量不确定性数据,而这些不确定性对数据流的管理和挖掘带来了挑战。通过分析数据流的不确定性,可以降低不确定性对挖掘结果的影响,进而提升数据流挖掘的质量。在针对不确定数据流的挖掘中,分析数据的不确定性特征对控制挖掘质量尤为重要。在交通监控、金融数据分析、网站监控等包含大量对象的应用中,数据对象的不确定性,对计算对象间的相似度和对象聚类的质量产生了很大的影响。而在对环境监控、气象监测等数据流的在线聚类过程中,需要考虑数据元组的不确定性对微簇质量的影响。在针对不确定数据流的频繁模式挖掘中,需要根据不确定项集的概率频繁程度和概率分布,反映不确定频繁项集的频次分布情况。在针对不确定数据的序列模式挖掘中,需要基于概率模型度量序列模式的概率频繁程度,这就需要对现有的序列模式挖掘方法进行扩展,并提高概率序列模式的挖掘效率。本论文旨在通过对不确定数据概率特征进行分析,以提高针对不确定数据流的聚类和模式挖掘的质量。论文围绕着基础科研业务费项目“基于概要模型的海量复杂时序数据分析方法研究”、自然基金项目“多核系统下调控模式识别的MapReduce模型及算法研究”和基础科研业务费项目“基于Sketch的不确定流数据管理关键技术研究”等课题,研究不确定数据流的挖掘。本文的研究内容主要针对不确定对象聚类、不确定数据流聚类、概率频繁模式挖掘和概率频繁序列模式挖掘四个方面,概括为以下四个部分:第一部分研究基于概要结构的不确定对象聚类方法。针对现有的不确定聚类方法未考虑不确定对象的概率分布的问题,分别在离散域和连续域上对不确定对象的概率分布进行建模。为了使概率分布的提取更适合数据流环境,通过构建概要数据模型以降低海量对象数据的规模。针对概要数据,采用Kullback-Leibler散度计算不确定对象的相似度,并使用改进的快速高斯变换提高了计算相似度的效率。在此基础上,本文采用改进的KL-散度作为相似性度量,对现有的基于划分的聚类算法分别进行了扩展,提出了基于概率分布相似性的KM-KL聚类算法。最后通过仿真实验验证了该算法对聚类的质量和效率的提升。第二部分研究基于质量度量的不确定数据流聚类方法。针对现有不确定数据流在线聚类方法,基于概率分布给出了微簇的质量度量模型,并基于质量度量构建了描述微簇不确定性质量的直方图模型。在此基础上,提出了一种基于质量度量和时间划分的在线微簇维护策略,通过将缓冲区按照质量和时间区间进行划分,根据微簇的质量特征调整缓冲区,以达到对微簇的质量和成长时间进行细粒度控制的目的。并基于微簇维护策略,提出了一种基于质量度量的不确定数据流聚类算法。同时,针对高维不确定数据流,基于质量度量和投影映射方法,将高维全空间投影到微簇相关的子空间中。在此基础上,给出了在微簇相关子空间中的相似度计算公式,提出了一种基于子空间的高维空间中不确定数据流的聚类算法。最后通过分别与现有算法进行实验比较,说明了低维和高维聚类算法的准确性和高效性。第三部分研究基于Sketch的不确定数据流频繁模式挖掘方法。基于可能世界模型描述频繁模式的概率特征,通过将后缀支持度与Sketch相结合以优化概率频繁模式的挖掘方法。将概率频繁模式挖掘分为两个部分:面向支持度的频繁模式挖掘和频繁项的概率分布统计。基于后缀支持度,优化了频繁模式树的构建,提出了一种基于后缀支持度的频繁模式挖掘算法。同时,基于Sketch和滑动窗口,统计项集的概率分布信息,并提出了一种面向不确定数据流的概率频繁模式的挖掘策略。同时,基于概率分布信息,设计了频繁模式的预测模型,提出了基于预测模型的剪枝算法。最后通过实验表明基于后缀支持度和预测剪枝的挖掘算法,能提高不确定数据流频繁模式挖掘的效率和准确性。第四部分研究基于增长模式的不确定序列模式挖掘方法。在分析序列级不确定数据模型特点的基础上,阐述了概率序列模式的频度测定方法。分析了现有的序列模式挖掘算法中的树形存储结构的冗余性,通过对相同后缀进行合并,基于有向无环图提出了一种概率序列的存储结构PG-DAG。为了提升PG-DAG对概率序列模式中支持度的表示,提出一种使用边的权值表示序列支持度的序列存储结构(W-PG-DAG)。基于概率模型设计剪枝策略,提出了针对不确定序列的概率频繁序列模式挖掘算法。最后通过实验表明,该算法能有效地挖掘不确定序列的概率频繁模式的挖掘效率,并提升存储效率。