现代智能系统的发展以及海量数据的积累,人们也开始逐渐重视数据挖掘。数据挖掘的其中一个重要研究热点是关联规则的挖掘,其目的是把所有的频繁项集从数据库中找到,从而发掘出存在于数据库中各项目之间可能的潜在关系。由于数据库的不断发展,已存在的关联规则挖掘算法却适应不了这些变化,所以有义务研究挖掘效率更高的算法。本课题通过系统分析关联规则的数据挖掘算法,以现有研究为基础,提出三个不同的改进算法,本课题完成的主要内容如下:(1)简单介绍了关联规则有关的基本概念、性质、分类以及常用的挖掘算法等,深入分析了常用的关联规则数据挖掘算法,包括Apriori算法和FP-growth算法,指出算法所存在的不足。(2)针对FP-growth算法的不足提出了基于节点列表的改进算法PPV,PPV算法构建出名为PPC-tree的频繁模式树结构,遍历PPC-tree结构找出每个节点的节点列表,利用节点列表进行关联规则的数据挖掘。实验证明改进算法在挖掘稀疏型数据的关联规则上表现出良好的性能。(3)为解决PPV算法挖掘密集型数据效率不高的问题,深入分析FP-growth算法后提出了基于节点集的改进算法FIN,并构建出POC-tree树形结构,遍历POC-tree后找出各节点的节点集,对节点集进行关联规则的挖掘。实验证明改进算法对挖掘密集型数据的关联规则具有较好性能。(4)为解决关联规则频繁项集的更新问题,在深入研究了增量式更新算法FUP后,提出了改进的增量式更新算法IFUP,IFUP充分利用了已得到的挖掘结果,有效地解决了关联规则频繁项集的更新问题,实验结果表明改进算法IFUP性能上优于FUP算法。