在计算机技术高速发展的今天,电子健康档案的建立使得健康医疗领域的数据呈现爆炸式增长,这为数据挖掘在健康医疗领域的应用创造了条件。根据世界卫生组织的统计,在可见的未来,恶性肿瘤发病率和死亡人数还将继续上升,为此,急需制定科学有效的防治策略。而利用数据挖掘技术对肿瘤疾病数据进行分析,挖掘出有价值的指导信息对于制定有效的防治策略尤为重要。针对挖掘恶性肿瘤与致病因素之间潜在联系这一应用场景,有以下几个重要的问题尚待解决:（1）疾病与致病因素之间的关系是模糊的;（2）疾病可能同时受多种致病因素的影响,疾病与疾病之间也存在相互影响,它们之间的关系是复杂的;（3）致病因素的影响范围如何确定;（4）挖掘得到的规则的有效性如何衡量。本文将针对上述问题展开研究。空间co-location模式挖掘是一种用于挖掘空间特征之间关联性的算法。本文基于空间co-location模式挖掘技术设计了高频繁性挖掘算法和高效用挖掘算法两种用于挖掘恶性肿瘤与致病因素之间潜在联系的算法。这两种算法都使用了基于决策表（条件属性—决策属性）的规则提取框架,将挖掘得到的co-location模式作为决策属性、污染程度作为条件属性进行规则提取,为解决疾病与致病因素之间关系的不确定性问题,引入模糊理论,提出了模糊共存度和模糊效用度的概念。在挖掘频繁co-location模式时使用了join-less算法,在挖掘高效用co-location模式时,针对现有高效用co-location模式挖掘算法普遍效率不高的问题,提出了一种基于网格划分的高效用co-location模式挖掘算法,该算法利用网格划分方法将空间数据挖掘问题转化为事务数据挖掘问题,并设计了更加紧密的效用上界进行剪枝,加快了剪枝效率,除此以外,还设计了一种迭代生成表实例的方法,减少了无用表实例的生成,通过对比实验分析证明了在本文的应用场景下,基于网格划分的高效用co-location模式挖掘算法要优于现有的算法。最后,通过在真实案例上的应用,分析了高频繁性挖掘技术和高效用挖掘技术在挖掘工业污染和恶性肿瘤之间模糊关系时的优劣。