近年来,数据挖掘技术已经引起了信息产业界的广泛关注,这是快速增长的数据量和日益贫乏的信息量之间矛盾运动的必然结果。对数据挖掘技术进行系统和深入细致的研究是全球信息化发展的客观要求。数据挖掘技术有很多研究领域,其中关联规则就是一个重要的研究方向,在商业决策方面有着极其重要的应用价值。本课题主要对关联规则挖掘进行了相关的研究。根据传统的关联规则挖掘算法,如Apriori算法及其改进算法都是集中在对确定的、精确的概念上进行挖掘的,难以对非精确的或者说模糊的概念进行挖掘。同时通过实验可发现寻找频繁集主要的计算是在生成频繁2-项集上,频繁2-项集生成的过程是Apriori算法挖掘的瓶颈所在,针对这种情况论文提出了一种新的基于模糊集的关联规则挖掘算法,算法引入了模糊集理论和语义关联规则的概念,对数据库的数值属性进行了合理的非精确语义转换,然后通过改进剪枝部分被扫描项集的大小来提高算法的效率,避免了被扫描的集合长度按照指数型增长的趋势。因为Apriori算法的核心问题是发现最大项目集,发现最大项目集的过程就是全局的搜索过程,而遗传算法是一种全局优化算法,它避免了搜索过程中的局部最优。因此将遗传算法用在规则的发现和提取方面能够发现真正有用的规则。由此论文提出了一种基于遗传算法的关联规则的挖掘算法,主要对定量关联规则进行挖掘,算法主要包括关联规则的编码方法设计,适应度函数的构造以及遗传算子的改进等。根据论文所提出和设计的两种基于计算智能的关联规则挖掘算法,我们分别以医疗数据库和学生数据库为挖掘原型来进行关联规则的提取,并进行了实验分析,实验结果验证了两种算法的有效性,也说明了关联规则挖掘广泛的应用前景。