生物信息学是在生命科学研究中,以计算机为工具对生物信息进行储存、检索和分析的科学。目前研究重点主要在基因组学(Genomics)和蛋白质学(Proteomics),即分析核酸和蛋白质中表达结构功能的生物信息。数据挖掘作为一种以数据库、统计学和人工智能学为基础的技术,为生物学家提供了有力的信息分析工具。数据挖掘中的频繁模式挖掘技术专注于发现数据中频繁出现的特征模式。根据特征模式复杂性,可分为频繁项模式、频繁序列模式以及频繁子树模式等。本文对RNA分子建立树形模型,利用频繁子树挖掘算法挖掘RNA二级结构中的公共拓扑模式。本文首先概括了频繁模式挖掘技术及频繁子树挖掘算法的现状,介绍了RNA二级结构预测的主要方法,探讨了目前数据挖掘技术应用于生物数据所存在的问题。然后给出了与频繁子树有关的概念,区分了嵌入子树和直接子树,定义了同构交叠子树和最小性。在此基础上,对挖掘嵌入子树的TreeMiner算法和PatternMatcher算法进行了分析。这两种算法分别采用垂直挖掘方式和水平挖掘方式,但是在挖掘过程中均无法区分同构交叠子树。本文提出了挖掘嵌入子树的算法DistinctTM(distinct tree mining)。本算法剔除了同构交叠子树带来的冗余,保持了模式在一棵树上的最小性。实验结果表明,该算法优于TreeMiner算法和PatternMatcher算法。最后,本文给出了对RNA二级结构建立树模型的方法,使用DistinctTM算法挖掘了其中的公共拓扑模式。