针对传统关联分类算法中,庞大数据量增长下的规则更新不易、规则冗余需要优化提取等问题,本文提出基于贝叶斯分布动态更新规则与遗传算法选优规则的改进关联分类算法。主要研究如下几点:1、以项变量分布特征为研究基础,把基于频率计算的关联分类频繁集挖掘,转为基于分布下的概率计算与比较问题研究,把关联分类规则更新问题,转为在新增样本数据下,获取项变量贝叶斯分布的频繁集挖掘与规则更新问题研究,以项变量分布参数的先验分布与新增数据的样本分布,动态获取项变量分布参数的后验分布,以后验分布支持频繁集挖掘与规则更新,使频繁集与规则挖掘具有简便、动态和信息表示的多样性。2、对于提取的带有随机不确定性的关联分类规则,研究规则的优选:通过把规则转换为多个前提与结论的随机可能性表示的向量样本形式,进行K-均值聚类,以遗传算法优化聚类数和聚类结果,挑选最优聚类中心,并转换为具有代表性的最优规则,达到关联分类规则的选优。规则选优结果,以检验子集支持验证,遗传优化关联规则过程以Matlab语言自编程实现。3、将本文提出的基于分布的频繁特征挖掘、贝叶斯分布动态更新规则、遗传优化关联规则的方法,应用于高校资产效率管理项目,得到满意的结果,论证了本文方法改进与应用的可行性和有效性。