现实生活中的信息，有很多都是以流数据的形式产生的，如传感器网络监控信息、网络安全监控、web用户点击流、气象监控及分析，有着广泛的应用背景。又因数据流具有连续性、未知性、潜在无限性，传统的数据挖掘算法不能直接应用在数据流之上。因此,如何有效地挖掘和管理数据流吸引了大批研究人员的目光，成为了一个新的研究热点，其中频繁项集挖掘是数据流处理技术中的一个重要组成部分。　　本文首先对数据挖掘技术进行了简要介绍，并对经典算法进行了介绍及分析。为了避免用户在每次挖掘时都要设置一个恰当的最小支持度阈值，且更好地理解挖掘到的频繁项集，提出了挖掘数据流中Top-k频繁闭项集的挖掘算法。该算法采用分段挖掘的思想挖掘基本窗口中的频繁闭合模式，以实现挖掘滑动窗口中的k个最频繁的闭合项集。并且通过对挖掘项集长度的限制，更好的满足用户的需求，同时由于算法对不符合用户指定长度的项集不进行处理，势必会使精度有一定的损失，但也可以提高算法的挖掘速度。用户需要做的就是根据实际应用的需要，在速度和精度之间找到平衡。为了验证算法的有效性，对算法进行了仿真实验，结果表明算法拥有良好的时空效率，对项集长度的限制所带来的精度下降也可以由用户来控制，可以较好地完成相关的数据流挖掘任务。　　为了能够同时处理多条数据流，提高算法的整体效率，在挖掘基本窗口频繁闭合模式算法的基础上，引入了诸如轮询，预处理以及对数据流的加入和退出等处理方案，形成了一个可以处理多数据流的策略。最后，按照MapReduce编程框架对算法进行了实现，构成了一个多数据流频繁项集挖掘原型系统。系统先将数据流封装成较小的静态分割，再逐块挖掘频繁项集并提供给用户查询，实现多数据流的挖掘处理。实验测试结果表明，系统能够同时对多条数据流进行有效地处理，且在时空效率、系统资源利用率以及可扩展性方面都有良好的表现，可以满足大规模多数据流频繁项集挖掘的应用需求。