随着信息技术的飞速发展,许多领域产生的数据是在时间维度上严格有序、在数值上不断变化的无限的数据序列,由此产生数据流模型。数据流频繁项集挖掘作为数据流挖掘的一个新兴研究热点,挖掘得到的项集与关联规则的数量往往大得惊人,而且难以理解与运用,这就需要一种更先进的数据流频繁项集挖掘技术的出现。数据流频繁闭合项集挖掘技术应运而生。CFI-Stream算法是一种在线挖掘最近的频繁闭合项集的算法。分析该算法发现,它存在两个极其影响算法性能的问题:其一,该算法存在一个很大的性能瓶颈——递归调用Add函数,并且递归的深度和次数随着事务长度的增加而呈指数级增长,这极大地影响了算法的时间和空间复杂度。其二,该算法中对于事务的最大项集及其子集的闭包检查,每次都是全局遍历,造成很多不必要的检查,影响了时间效率。针对上述两个方面的问题,本论文提出一种新的频繁闭合项集挖掘算法,采用有序字典序树的数据结构和差集结点的形式作为算法的数据结构。采用分而治之的策略,对每一个分支进行独立的挖掘,从一个分支结束到转向另一个分支时,会根据两个分支之间的不同前缀,选择合适的子集进行递归调用,大大的减少了递归的次数和深度。采用宽度优先搜索和深度优先搜索相结合的方法,其中,深度优先搜索的策略能够保证在进行交集运算的同时记住需要进行递归调用的子集,此子集在很大程度上缩短了长度,因为它省去了自根结点起的所有前缀的项目,只保留差集。实验表明新的频繁闭合项集挖掘算法在一定程度上降低了时空复杂度,尤其在稀疏型数据集环境下,该算法所体现的优越性更加突出。