大数据时代的到来使得数据挖掘技术及其应用的领域得到了拓展,涌现出各类数据挖掘算法,其中Apriori算法作为较为经典的关联规则挖掘算法受到了广泛的关注,出现了众多的改进Apriori算法,随着挖掘数据量的增加,如何通过分布式集群来扩展数据挖掘处理能力提高效率,具有非常现实的应用价值和意义。本论文在深入分析研究现有相关Apriori算法的基础上,针对算法在事务数据的存储表示、候选项集生成方式、剪枝效果、候选项集频度计算方法上都存在的不足,给出了Apriori改进算法（IABL）,具体通过IList数据结构实现对事务数据的高效压缩,采用频繁项集与挖掘出的部分频繁项集进行连接生成候选项集的方式,有效减少候选项集的生成数量,再使用Apriori的性质完成候选项集进一步的剪枝,采取高效的位运算代替循环计数或者搜索计数的方式,提高相应的计算速度,改善频繁项集挖掘效率。将IABL算法按基于事务数据库水平划分和基于事务数据库垂直划分两种不同的任务分解策略分别应用于构建分布式系统的Hadoop框架上,以满足大数据挖掘的需要。其中基于事务数据库水平划分的策略先挖掘出局部频繁项集,再从局部频繁项集中挖掘出全局的频繁项集;而基于事务数据库垂直划分的策略则先挖掘出部分频繁项集,然后对部分频繁项集进行连接操作,构建候选项集,再从所构建的候选项集中挖掘出剩余的频繁项集,从而最终得到全部的频繁项集。最后,通过IABL算法以及采用两种不同任务分解策略的基于Hadoop的IABL算法实现和程序运行测试,在多个数据集上完成了算法的验证比较,算法运行结果显示了两种不同策略下基于Hadoop的IABL算法实现的不同特点以及IABL算法的可行性、有效性和高效性,达到了Apriori的算法改进和应用目标。