显露序列(Emerging Sequences,ESs)旨在发现数据库中在一个类中频繁,在另一个类中非频繁的模式,其具有很好的分类性能。由于以往的关于ESs的研究通常仅涉及单个数据集,本文提出一种新的ESs——共享显露序列模式(Shared Emerging Sequences,SESs),它表示由两个或多个数据集所共享的ESs,能够表征数据集间的一些共同特性,在迁移学习和类推等领域有很大的应用潜力。本文主要对SESs的挖掘算法及应用进行一系列研究,主要工作和贡献如下:(1)针对SESs的挖掘问题,提出一种SESs的挖掘框架。在挖掘框架中,采用共享广义后缀树(Shared Generalized Suffix-tree,Shared GS-Tree)进行数据存储。该树具有能在一棵树上同时挖掘多个数据集和多个类的ESs的特点,可以简化挖掘过程、降低挖掘空间复杂度及提高运行时间效率。在此基础上,提出一种基于Shared GS-Tree的SESs挖掘算法。算法采用深度优先搜索策略获得每个数据集的ESs,再通过相似性匹配产生最终的SESs。为了提高算法性能,采用三种剪枝策略,包括:建树长度阈值剪枝、最大前缀非频繁剪枝、相似匹配长度差剪枝。实验结果表明,SESs挖掘算法结合三种剪枝策略,取得了较好的时间性能。(2)SESs能够实现相似领域间知识的迁移,但如何评价两数据集之间的相似性?为此,本文提出一种利用聚合SESs来衡量数据集相似性的算法。该算法先给出SESs质量的定义,接着综合考虑SESs的质量和数量来计算SESs在数据集中的贡献度,最后通过量化的贡献值来评价数据集的相似性。实验结果表明,基于聚合SESs的数据集相似性度量策略是行之有效的。因此当某数据集训练样本缺乏时,可先通过聚合SESs来选取与之相似的数据集作为辅助数据集,进而帮助进行分类。(3)如何避免负迁移的产生一直是一个需要研究的问题。负迁移的发生与领域间相似性存在很大的关联,而SESs可用于衡量数据集间的相似性,因此可用SESs来初步分析数据集间的负迁移。当目标数据集为一新的已知类标签很少的数据集时,可以考虑使用SESs来进行协同分类,且实验结果表明协同分类能够提高分类的准确性。