伴随着互联网大数据的飞速发展,各行业数据都增长迅速。警务大数据作为最具行业价值的大数据之一,得到越来越多人的重视。对于潜在且较高价值信息发现分析,多数研究者采用基于经验或者统计的传统分析方法,此类方法对数据规模较小场景更为有效,面对警务大数据场景,该类方法并不能保证结果准确性且效率低下。本文面向警务数据,基于机器学习方法,针对警务关联分析过程存在问题,提出基于警务关联分析模型加速算法和警务案件关联分析并行化算法,并最终研究与实现警务案件关联分析系统,该系统进一步提高了案件关联分析的整体规则质量,同时增强了系统运行性能,具体研究内容如下:1.基于组间相似度的警务关联加速结构构建:该算法能够较大幅度缩短警务关联加速结构构建过程,在该结构构建算法中,本文以聚类思想为基础,采用组间相似度策略改进原结构构建算法中数据逐一插入的洗牌过程,大量降低了数据洗牌时插入数据比较次数,在保证加速效果的前提下,有效降低该加速结构构建时间,实验结果表明该结构能有效提升警务关联分析模型性能。2.警务案件关联分析算法构建:通过分析警务案件数据特点以及业务特点,本文提出警务案件关联分析BCPM算法,该算法以基于布尔矩阵的ABBM关联分析算法为基础进行并行化优化,增强了算法执行效率,同时通过引入的相关度评价模型,提升了警务案件发现规则的质量,实验结果表明该模型能够有效剔除无效、低效无用规则,较大幅度减少了执行时间。3.警务案件关联分析系统设计与开发:该平台基于Hadoop、Spark分布式计算平台设计,平台集成基于组间相似度的警务关联加速结构,结合警务构建关联分析BCPM算法,构建警务案件关联分析系统,并将相应结果进行可视化呈现,在实际测试使用中本系统具备较高的实用价值。