数据丰富而知识贫乏的状况导致了数据挖掘的出现，并且在短短的几年内，引起了许多领域的人们的极大兴趣。分类作为数据挖掘的一个重要主题，在统计学、机器学习、神经网络和专家系统中得到了较早的研究，但其中大部分都是内存驻留算法，通常假定数据量很小。随着数据库中数据量和维数越来越大，建立高效的、适用于大型数据库的分类算法已成为数据挖掘的一个挑战性问题。 近年来，数据挖掘界提出一种新的知识模式，称作跳跃显露模式(Jumping Emerging Patterns，JEP)，用来表示两个数据集之间的重大差异。并且，建立了一些基于JEP的分类算法。研究表明，这些基于JEP的分类算法具有很好的预测准确性，并且在数据量和维数上都是可规模化的。 但是，这些基于JEP的分类算法通常需要挖掘大量的JEP，因此影响了它们的效率，并增加了分类算法的复杂性。本文提出一种特殊类型的JEP，称作最有效的跳跃显露模式(most Significant Jumping Emerging Patterns，SJEP)。分析结果表明，SJEP具有很强的区分能力，足以用来建立精确的分类算法。由于已有的算法都不能直接挖掘这种SJEP，本文给出了一种可以在两个数据集上双向挖掘SJEP的有效算法，并讨论了如何建立基于SJEP的分类算法(SJEP_Classifier)。 与已有的基于JEP的分类算法相比，仅使用SJEP建立的分类算法使用的JEP数量少得多，不仅能够获得相同或更高的预测精度，而且可以在很短的时间内(通常为若干秒)完成学习阶段。实验结果表明，本文的分类算法(SJEP_Classifier)在平均预测精度方面也优于CBA和C4.5等分类算法。