基因表达数据中隐藏着许多的基因功能和基因调控网络信息,数据挖掘可以帮助生物学家快速发现这些有价值的信息。基因表达数据中的频繁闭合模式的挖掘是其中一种重要的挖掘方法。因此近些年来,频繁闭项集的挖掘被人们广泛关注和研究。由于挖掘频繁项集和频繁闭项集所需要的最小支持度和最小长度往往比较难以确定,因此挖掘top-k频繁闭项集被提出并被广泛研究。由于挖掘top-k频繁闭项集的算法比较复杂,而且涉及的数据量比较大,top-k频繁闭项集的挖掘成为一个研究热点和难点。当前虽然存在很多频繁闭项集的挖掘算法,但它们或者会生成很多支持度小于最终的最小支持度的频繁闭项集,或者会生成很多长度小于最小长度的频繁闭项集。因此当前的算法都不是最高效的。本文提出了一种新的算法。首先通过在fp-tree上采用best first search的方法来挖掘,从而避免生成长度小于最小长度限制的频繁闭项集和支持度小于最终的最小支持度的频繁闭项集,从而提高算法的效率。然后在检查闭合情况时采用哈希的方法来一次性检查一个支持度的所有节点。通过计算,采用哈希的方法来检查闭合情况的时间复杂度明显优于其他算法。在检查完闭合情况后,同一支持度节点的挖掘是相互独立的,可以通过并行的方法来挖掘。本文最后介绍了实验数据和实验结果,实验结果表明改进后的算法不管在改变K值、还是改变最小长度或者改变数据密度的情况下效率都优于现存算法。