如今,大多数企业都使用信息系统来进行业务过程管理。其中,很大一部分的信息系统,都会使用工作流模型描述任务关系并维护整个业务过程。伴随着业务过程的节点数量增加以及结构复杂度逐步添加,实际的业务过程模型,一方面跟定义好的期待的模型会存在一定可能的不一致,另一方面执行的效率也可能低于预期。为此,需要对业务过程进行挖掘以获得实际的执行过程,从而找出导致低效的原因,或者不一致的业务过程节点。现有的工作流过程管理信息系统,往往是在计算设备中,根据一系列的程序或规则将文件、信息或活动从一个参与者传输到另一个参与者的整个或部分业务过程。这个传递的过程,可以记录下工作流的日志。而过程挖掘的目标是从工作流系统所生成的工作流日志中重现运行时业务过程模型,以支持工作流设计和分析的技术。经典的工作流挖掘算法以α-算法为代表,流程可划分为三个阶段:(1)从事件日志中抓取并整理成事件轨迹(eventtraces);(2)分析事件轨迹及抽取次序关系(relationship);(3)从次序关系中生成工作流模型。在王栋毅的论文中,提出了跟经典挖掘算法不一样的思路,基于事件多重集(multi-set)而不是事件轨迹的工作流挖掘算法(λ-算法)。λ-算法跟α-算法相比,不需要分析事件轨迹,在挖掘时的性能更高。但λ-算法依赖的多重集是需要从后继日志中提取信息,这一点有个明显的缺陷是,后继信息的记录需要回头查找。和α-算法比,在引擎生成日志时存在性能问题,特别是处理海量日志的时候。本文在经典算法和λ-算法的基础上,结合二者的优缺点,提出了基于前驱任务关系的挖掘算法。ρ-算法通过记录任务的前驱信息,可以更高效和全面的找到任务之间的并发和选择关系。因此,和经典算法相比,ρ-算法不仅能够正确挖掘SWF网、带短循环结构的工作流网,而且能够正确挖掘隐式依赖结构、一些隐式库所以及一些非良好结构的工作流网,包括λ-算法不能处理的模型。因此,ρ-算法能够处理范围更广的工作流网。同时,和λ-算法相比,前驱任务算法不需要回头查找,工作流引擎在生成日志时采用Append模式生成日志,性能更高。经典的算法依赖的日志,是当前工作流引擎能够记录的通用日志格式,但从日志中抓取并整理成事件轨迹这个过程具有很高的空间和时间复杂度。λ-算法避免了这个复杂度,却无法应用在实际的生产环境中,没有解决如何生成多重集的问题。在本论文的研究过程中,ρ-算法除了从理论上提出了一种新的算法,同时,也为ρ-算法应用到实际生产环境,构建了完整的生态环境。包括设计和编写Activiti的插件,使得业务过程可以记录前驱任务。设计和编写ProM6的插件,使得可以从带前驱任务的日志中挖掘出过程模型,并能以图形的方式直观展示。Activiti是工业界成熟的开源工作流引擎,被用于大量实际的生产线项目中;而ProM6是工业界成熟的BPM框架,在其基础上有大量的插件可以使用。通过ρ-算法和这两个工具的配合,实现了从日志生成到挖掘在实际生产环境的完整生态环境。本论文提出的ρ-算法的Java实现、基于Activiti的前驱任务日志生成插件、基于ProM6的前驱任务关系日志挖掘工具,全部在Github上以Apache License开源发布,并提供了相对详细的使用说明和开发文档。