如今在我们所身处的世界中每时每刻都涌现出大量的数据,在许多领域都出现了大量的序列数据。如何从这些数据中提取出有价值的信息,已成为人们所关注的问题。因此序列模式挖掘应运而生,序列模式挖掘能够在序列集中提取出人们所需要的子序列。具有间隙约束的序列模式挖掘,能够避免挖掘大量的无意义的模式。对比模式挖掘是在传统的序列模式挖掘的基础上添加了类别信息,因此能够在多类别的序列集中提取特征信息。将密度约束加入对比模式挖掘中,能够更加直观地展现模式在序列中的频繁程度。因此具有密度约束和间隙约束的对比模式挖掘具有十分重要的研究意义。但是随着数据规模的日益扩大,目前的挖掘算法存在挖掘速度太慢的问题。本文对具有密度约束和间隙约束的对比模式挖掘问题进行了研究,对当前的研究现状进行了分析。为了能够快速地挖掘带有密度约束和间隙约束的对比模式,本文提出了一种近似求解算法ADMD。该算法在挖掘过程中允许有少量的丢解,从而换取挖掘速度上的大幅提升。在本文所提出的ADMD算法中,我们将计算模式的出现数问题转化成了在网树中求解树根路径数,并使用不完整网树来计算模式的出现数;采用模式拼接的方式来生成新的候选模式;采用预判式剪枝方法,来对挖掘过程中的大量冗余模式进行有效剪枝。由于在剪枝过程中可能将小部分非冗余模式剪掉,造成挖掘结果并非完备,因此该算法是一种近似求解算法。随后在算法ADMD的基础上,通过在剪枝方法中加入参数k得到了ADMD-k算法。该算法使得用户可以根据自身需要来自主设定k的取值来调整剪枝程度,从而使得算法在挖掘速度和挖掘准确率方面取得平衡。为验证本文所提出算法的有效性,最后在真实的蛋白质序列中与同类算法进行实验对比。根据对各算法在挖掘模式数量和挖掘速度方面的数据分析,证明了本文所提出的算法具有近似度高、速度快的特点。