数据挖掘是从海量数据中获取有效的、新颖的、潜在有用的知识,并最终形成可理解的模式的非平凡过程。现今的数据库系统已经能够实现查询、统计和报表,但处理方式相对单一,都只是对一定范围内的数据进行简单的数字化处理,而不能提取隐藏在这些数据背后的内在信息。随着各行各业广泛应用信息管理系统,带来了数据量的急速膨胀,人们迫切希望有一种功能,它能够提供更高层次的数据分析,从而更好地支持决策或科研工作。关联规则挖掘是数据挖掘中关联分析的运用,是数据挖掘一个非常重要的学科,具有很高的理论价值和广泛的应用前景。关联规则反映一个事物与其他事物之间的相互依存性和关联性。如果两个或多个事物之间存在着一定的关联关系,那么其中一个事物就能够通过其他事物预测到。关联规则挖掘算法用于发现关联规则,诸多的研究人员和学者对其进行了大量的研究。现有的关联规则算法大多数是基于Apriori和FP-growth的迭代算法。通常数据库有水平数据表示和垂直数据表示两种形式,本文深入分析了频繁项集的挖掘问题,描述了现有的关联规则分类和挖掘算法,并着重对传统Apriori算法和AprioriTid算法进行分析,指出了他们各自的优缺点。对于挖掘算法的性能,通常采用垂直数据表示的算法要高于水平数据表示,Eclat算法是首个采用垂直数据表示的经典关联挖掘算法。本文首先对Eclat算法进行了深入地研究和分析,并在此基础上提出了一种改进算法——hEclat。该算法把散列表与布尔矩阵相结合,提出散列布尔矩阵的思想,对传统Eclat算法中求两个Tidsets集合交集的操作进行改进,以提高求交集的速度,从而达到提升整个算法生成频集、挖掘关联规则的效率。对关联规则挖掘而言,已有的很多研究只注重解决算法的时间效率,而忽视了关联规则的多维特性,通过在关系数据库中提取出用户感兴趣的多维关联规则,在商务决策方面将更具指导意义,也更能够满足实际情况的需要。本文在传统Eclat算法基础上提出MD-Eclat算法,并构造了一种新的数据预处理方法,实现从关系数据库的普通表或视图中进行多维关联挖掘。由于算法利用了垂直数据表示的结构特征,因此不必对数据库进行多次扫描,也不必频繁构造模式树,只需要扫描数据库一次,改进后的算法执行时间效率高于同类算法。