随着近年来食品安全事件的发生,人们越来越关注食品的安全问题,然而由于基础能力和业务建设能力存在不足,食品安全领域依然面临着诸如微生物、毒素和化学药品的污染以及非法生产、经营和滥用食品添加剂等问题,尽管有大量学者进行了各方面的研究,但从研究状况来看,食品安全领域特别是食品安全风险监测方面依然存在着标准规范不统一、数据挖掘技术和可视分析技术效率低下的现象。针对上述问题,本文对食品安全风险监测主要从如下三个方面展开研究。首先本文提出了并行挖掘算法(MR_P_Apriori,Parallel Apriori algorithm based on MapReduce model),解决了由于Apriori频繁扫描事务数据集和生成大量中间项集引起的效率低下问题。针对食品安全监测数据,该算法减少了扫描事务数据集次数和实现了并行化生成候选项集,并从不同的数据集和不同的支持度两个方面进行了实验分析,通过与PApriori和I_Apriori算法的实验对比分析,表明了MR_P_Apriori算法在处理食品安全监测数据时的时间效率均有所提高。其次提出了聚类算法(k_DBSCAN,k_Density-Based Spatial Clustering of Applications with Noise),解决了DBSCAN存在的大量I/O消耗和参数设置无规律问题,同样针对食品安全监测数据,该算法减少了I/O消耗,提供了Eps和MinPts设置的依据。实验通过不同的数据集、不同的Eps和不同的MinPts三个方面进行了对比分析,分析结果表明了k_DBSCAN在时间效率和准确率两个方面具有明显的优势。最后设计并实现了食品安全风险监测原型系统(FSRMPS,Food Safety Risk Monitoring Prototype System)。在该系统中,食品安全监测数据挖掘技术采用了并行挖掘MR_P_Apriori算法,在可视化分析中应用了k_DBSCAN算法,最后通过实际数据验证了该系统是有效可行的。