近年来,数据挖掘作为一门正处于蓬勃发展期的学科,其应用已经渗透到了许多领域并且在人工智能与机器学习、数据库、模式识别、生物信息学、神经计算等方向上取得了丰硕的成果。子树挖掘作为一种半结构化的数据挖掘问题是数据挖掘领域中一个较新的分支,它在生物学、Web数据分析和化合物结构分析等许多领域都有广泛的应用前景。本文对子树挖掘的基本概念、研究现状和一些典型算法进行了较为深入的讨论和研究,在此基础上提出了一种新的基于合并和连接的频繁子树挖掘机制和相应的算法。首先提出了子树挖掘算法CCTree-Miner(Combination and ConnectionTree-Miner)。与基于最右路径和前缀等价类等模式扩展方法不同,算法主要通过合并具有相同根结点的子树和连接频繁二项树的叶结点与频繁子树的根结点来生成不确定大小的候选超模式,同时提出了相应的剪枝策略。通过分析证明了CCTree-Miner挖掘结果的完整性和正确性。其次,提出了用于挖掘封闭式子树模式的CTMiner(Closed Tree-Miner)算法。该算法是对CCTree-Miner的扩展,在合并和连接中加入了更有效的剪枝策略和检测机制来提高算法的效率。同时本文对CTMiner算法的实验结果进行了分析并提出了下一步工作的内容。以上两种算法只需对数据库进行一次扫描,并且保证所有被扩展的候选模式至少在数据库中有一次出现。