随着数据库技术的快速发展和应用,累积了大量的数据,如何有效、合理的运用这些数据,发掘数据背后隐藏的知识成为了人们关注的重点。传统的统计数据分析已难堪大任,而数据挖掘作为分析数据的一种新的工具受到越来越多的重视,成为信息技术的热门研究领域。关联规则作为数据挖掘的一个重要的分支,也得到了长足的发展,在很多方面已经取得了重要的成果,但在面对海量数据情况下仍然面临着很多挑战。随着关联规则的发展,学者提供了各种关联规则挖掘算法,比较经典的包括Apriori算法、Fp-Growth算法、DHP算法等。但是结合计算机技术和实际应用场景很多算法都有较大的改进空间,因此本文在分析了国内外关联规则研究现状的基础上,提出了两种改进的关联规则挖掘算法。本文的主要工作如下。(1)对数据挖掘和关联规则的基本理论进行了分类总结。并详细阐述了Apriori和DHP两种经典的关联规则挖掘算法。(2)提出了改进的Apriori算法——DecBit Apriori算法,DecBitApriori算法将事物数据库转换成十进制数数据库,然后使用与位运算计算候选集的支持度。最后通过实验验证了DecBitApriori算法在运行效率上的提高。(3)提出了改进的DHP算法——RBTDHP算法,RBTDHP算法使用红黑树数据结构处理DHP算法散列过程中的冲突,可以让所有的候选集单独计数,避免了DHP算法需要重复扫描数据库得到候选集的支持度。(4)基于超市实际购物数据,使用DecBitApriori算法挖掘关联规则,然后根据挖掘出的关联规则结果提出了超市商品摆放的相关建议。