关联分析技术作为数据挖掘领域的热门研究分支之一,其研究内容是从大量潜在隐含未知关系的数据项中发现有用的关系。高血压作为一种常见的严重危害人类健康的慢性病,近年来,其患病率和死亡率在全球范围内持续攀升。伴随着医疗信息产业的发展,医疗数据库中储存的高血压等慢性病的临床数据越来越多。如何从这些历史医疗数据中发现有用的信息为今后的疾病诊断和病理研究提供科学准确的依据成了目前亟待解决的问题之一。相较于传统数据分析方法,数据挖掘技术可以有效地解决这一难题。本课题使用关联分析技术从大规模的高血压患者诊治数据中探究高血压患者生理体征参数与高血压患病风险水平之间的潜在关系。重点完成了以下工作:(1)对数据挖掘技术和关联分析技术的相关理论进行了阐述,研究了关联分析技术在医学领域的应用情况,对关联分析中的Apriori算法做了重点研究,分析了Apriori算法的不足之处,引入了目前通用的一些优化方法,为后面的优化提供了思路。(2)改进的Apriori算法结合课题研究内容引入项约束条件对事务数据库D进行筛选排除得到事务数据库D1,然后在事务数据库D1中求得频繁项集。为了避免Apriori算法反复扫描数据库、耗时的缺点,采用数据映射的方式,减少耗时。最后在实验数据集上对改进前后的Apriori算法做了性能测试,验证了改进后算法的优越性。(3)应用改进的Apriori算法对本课题采集的高血压数据集进行关联分析,引入相关性系数的衡量标准进行规则评估,最后对规则进行阐述说明,得到的关联规则与医学规律相吻合,应用它们可以准确推断高血压患者的患病风险水平,为医生诊断提供辅助参考,为患者提供日常预防说明。(4)设计并实现了关联规则的应用软件,不仅能对用户提交的体征参数进行评估提示,还能对提交的数据进行分类保存,结合辅助功能,完善设计实现,为关联规则的应用提供了新的方式。