虽然图模式挖掘是一个较为经典的数据挖掘领域问题。然而,随着数据规模的不断增加,图数据的规模更加庞大,图结构更为复杂,隐藏在图中的信息变得更难被挖掘。因此,目前图模式挖掘面临着诸多挑战。例如,在大型图数据处理中,传统图模式挖掘算法随着支持度的减小,其用时会成指数级增长,使得挖掘任务很难在合理的时间内完成;频繁子图挖掘算法通常产生大量的甚至指数级数量的频繁子图,严重的影响了挖掘结果的可用性。的研究主要是针对大规模图运算时的简化操作,近些年由于数据规模的爆炸式增长,图摘要领域的技术也在高速的发展,并已经取得了较大的成果。使用图摘要的方法对图进行摘要,然后对摘要后的摘要图进行图模式挖掘,可以有效的避免产生过多的输出图,而且由于图摘要的特性,它的时间和空间复杂度相对其他图模式挖掘算法要小很多。因此,本文针对图摘要算法与图模式挖掘算法相结合进行了研究,主要工作如下:(1)基于图摘要的频繁子图挖掘。将图摘要算法在加速算法处理方面的优势引入频繁子图挖掘领域,提出了基于图摘要的频繁模式挖掘(Pattern Discovery by Dense Graph Summarization,PDDGS)算法。PDDGS算法使用图摘要算法进行图划分,之后以划分结果为输入进行频繁子图挖掘。由于引入了图摘要算法,其将图进行划分之后再进行挖掘,降低了图的规模,在保证挖掘结果在合理损失之内,降低了算法时间复杂度。通过实验验证了将图摘要算法用于频繁子图挖掘的可行性和有效性。(2)基于图摘要算法的有趣子图发现。在图摘要算法的基础上,引入词标签的概念,提出了带词标签的密度图摘要(Dense Graph Summarization of Vocabulary,DGSoV)算法。DGSoV算法首先对图进行摘要,并给摘要产生的每一个子图标注词标签,使用词标签进行图结构的描述;然后在结构的基础上,对挖掘到的模式进行解释,成功的挖掘出具有现实意义的模式。实验结果表明在挖掘有趣模式的同时,图摘要算法在处理时间上的优势得以保留。算法和图模式挖掘算法的有效结合,使得改进后的算法结果在合理误差范围内的情况下,处理效率得到提升。同时,这一方法也提供了一种新的图挖掘方式,丰富了现有图挖掘算法,具有一定的现实意义和应用价值。