近年来,数据库技术的广泛应用使得公司、政府和科学组织等机构都积累了大量的数据。如何分析和理解这些数据并为未来的决策提供支持变得十分有意义。数据挖掘正是一门用来分析和挖掘数据中潜在价值和有趣模式的学科。高效用项集挖掘是数据挖掘中能够发现数据之间关系的技术之一。效用值在商业服务领域代表了某些商品组合的利润,高效用项集挖掘能够挖掘出数据中效用值比较大的项集——高效用项集,因此高效用项集挖掘近年来受到了更多的关注与研究。首先,针对传统算法挖掘效率低下的问题,提出了融合“前缀树”结构和“效用列表”结构的高效用项集挖掘算法——TreeHUIMiner算法。传统的高效用项集挖掘算法大多都具有复杂的修剪策略,在给定的时间内只能挖掘出有限的高效用项集。在新算法中,“前缀树”先用来指导挖掘候选高效用项集,“效用列表”再用来计算这些候选高效用项集的效用值,有了效用值就能得到最终的高效用项集。新算法没有复杂的修剪策略,使得它能够在给定的时间内挖掘出更多的高效用项集。然后,针对基于生物启发思想的高效用项集挖掘算法只能挖掘出少量的高效用项集的问题,提出了基于改进的粒子群优化的高效用项集挖掘算法——HUIMMBPSO算法。新算法改变了粒子群优化流程中种群优化值的生成方式,下一代种群的优化值是通过轮盘赌选择法在当前代种群的高效用项集中以一定概率选择的。这个改变增加了种群的多样性,使得新算法能够挖掘出更多的高效用项集。最后,对提出的2个新算法分别做了2组实验。前2组实验结果显示,TreeHUIMiner算法相较传统算法有效率上的提升。实验验证了TreeHUIMiner算法挖掘高效用项集的有效性。后2组实验结果显示,HUIM-MBPSO算法相较基于生物启发思想的传统算法能够在指定的迭代次数中挖掘出更多的高效用项集。实验验证了HUIM-MBPSO算法挖掘高效用项集的有效性。