随着零售业信息化的不断发展，企业管理者逐渐认识到关联规则有很大的应用价值，可以为企业带来巨大的经济利益，于是关联规则挖掘更加备受关注。　　课题在对目前国内外关联规则算法深入研究的基础上，结合零售数据的特点，提出了基于新奇度与兴趣度削减的改进算法，从挖掘效率和挖掘质量两个方面做出了改进。首先引入规则新奇度的概念，在Apriori算法优化的基础上，通过规则新奇度对庞大的2阶候选项集进行削减，大大减小了频繁项集的生成规模，提高了挖掘算法的执行效率。然后通过基于长度量化的兴趣度削减算法过滤掉没有价值或用户不感兴趣的关联规则，保证了挖掘的质量。最后将改进的算法应用到超市销售数据的关联分析中，通过分析历史销售数据找出顾客的购买习惯，并对挖掘结果加以解释，取得了良好的挖掘效果。这对于促进关联规则数据挖掘技术应用到零售业积累了一定的经验，同时对于其他领域的数据挖掘应用也有一定的借鉴价值。