关联规则是数据挖掘中一个重要的研究内容。典型的关联规则发现算法是由R.Agrawal等提出的Apriori算法。但是，在计算候选项目集的支持度时，Apriori算法是在每一个循环中都要扫描整个数据库，使得挖掘效率较低，必须设计更有效的算法。 本文研究了数据挖掘技术中的关联规则算法。对经典的Apriori算法作了全面的分析，指出了挖掘中的关键步骤并提出算法的不足；针对Apriori算法的不足，提出了一种高效的关联规则挖掘算法NEA，利用频繁项目集L_k、和候选项目集C_k中的结果对数据库进行筛选，减少候选项在数据库中查找的记录数，提高了整个算法的效率；针对数据库置信度、支持度不断调整的需要，分别给出了minsuport和minconfidence增大、减小时关联规则快速的更新算法Minsupchange和Minconfchange，并与Apriori算法作了分析比较；最后将关联规则数据挖掘的方法运用到课堂教学评价中。从教学评价数据中进行数据挖掘，找到课堂教学效果与教师基本情况的关系，从而更好地开展教学工作，提高教学质量。