作为数据挖掘领域的主要研究对象,关联规则挖掘能够发现关系数据集中数据项之间有趣的关联信息,而关联规则挖掘工作的主要开销是来自频繁项集挖掘。然而,传统的频繁项集挖掘算法的效率并不高,并且伴随着计算机软硬件性能的提升,基于并行计算的数据挖掘技术开始成为学术界的研究热点。因此,本文主要研究如何基于传统的串行挖掘算法进行改进以及如何利用并行化技术来提升频繁项集挖掘算法的性能。实际应用中,事务数据集并不一定是静态的,因此频繁项集挖掘算法一般分为静态挖掘算法和动态更新算法。基于这两类算法存在的不足以及并行计算技术,本文主要研究传统算法的串行和并行改进方案,并且着重研究经典的静态挖掘算法FP-growth和动态更新算法FUP。在原有算法的基础之上,本文提出了基于FP-growth改进的串行挖掘算法和CUDA GPU并行挖掘算法,以及基于FUP的CUDA GPU并行更新算法。FP-growth是一种基于递归和模式增长的高效挖掘算法,然而递归模式会造成巨大的时间和空间开销。因此,本文提出了基于FP-growth改进的非递归算法NRFP-growth和并行算法GPFP-growth。其中NRFP-grwoth算法引入FP-array数据结构来存储事务数据集,并利用ItemPoss-map结构来挖掘频繁项集。而GPFP-growth算法则建立在NRFPgrowth的基础之上,利用GPU多线程加速频繁项集的挖掘过程。FUP是一种串行的频繁项集增量更新算法,其主要思想基于Apriori算法,因而存在着大量候选项集产生和数据库重复扫描的问题。因此,本文提出了基于FUP改进的并行算法GPFUP,该算法通过引入前缀树结构加速候选项集的生成和过滤步骤,并利用位表结构完成GPU端的支持度并行计算任务。为了测试改进算法的性能,本文以经典的串行算法为基准,选取不同的数据集测试了串行改进算法的时间和空间性能以及并行算法的加速效果和可扩展性。实验表明,基于FP-growth改进的串行挖掘算法和基于GPU的并行挖掘算法均具有更好的挖掘性能。