在传统的数据分类中,通常需要挖掘区分能力较高的频繁序列作为分类依据,从而为用户提供潜在的高价值信息。近年来,随着不确定数据处理需求的快速增长,挖掘不确定数据集上的区分模式正受到越来越多的关注。然而,相比传统的确定数据库,不确定数据集中存在数量庞大的可能世界,其上的挖掘工作更加复杂。目前,对于不确定数据集上区分模式挖掘的研究仅限于挖掘区分项集,而对区分序列型模式挖掘的研究工作还有待补充。针对以上问题,本文提出了一种新的算法框架,旨在处理不确定数据集上的区分序列挖掘问题。与以往区分模式挖掘算法不同,本文采用了直接挖掘的方法,有效地避免了特征生成和特征选择步骤中遇到的计算瓶颈。此外,本文算法将挖掘到的全部区分概率频繁闭序列作为结果集,由于挖掘的都是闭序列,保证了结果集的简明性和支持度信息的完整性。该算法在信息增益和期望置信度两个区分能力度量标准下挖掘概率区分频繁闭序列,然后根据挖掘出的结果集结合适合的分类算法完成数据集的分类。框架主要包括下面三个部分:(1)基于前缀增长的枚举方式进行子序列枚举,将问题转化为概率区分频繁闭模式挖掘问题。(2)将区分能力度量标准融合到闭序列挖掘的过程中,并在搜索过程中利用限界约束削减搜索空间。(3)根据挖掘出来的概率区分子序列,结合分类算法完成数据分类。在真实数据集和人工数据集上的大量实验表明,本文提出的框架有很高的算法效率和良好的可扩展性,同时保证了较高的分类准确度。