关联规则是数据挖掘研究领域中一项重要的研究课题。蚁群算法是受到蚂蚁觅食的集体行为启示而设计的智能算法，作为智能算法的重要分支受到研究人员的广泛关注，它具有鲁棒性、分布式、自组织性、正反馈性等特点。　　 本文介绍了关联规则的相关知识，关联规则中频繁项集挖掘的经典算法的思想、优缺点，同时介绍了蚁群算法的基本思想、算法和特点。在此基础上，针对目前关联规则中频繁集的挖掘效率不高的问题，结合蚁群算法在旅行商问题中最短路径求解过程与频繁项集的挖掘过程的共同点，借鉴蚁群算法在旅行商问题的成功应用，本文将关联规则中频繁项集的挖掘转化为TSP最短路径问题，利用蚁群算法的思想进行挖掘，同时结合频繁项集挖掘的特点，设计了一种新的信息素计算方法，以及一些调整措施，提出了用于频繁项集挖掘的蚁群算法，该算法避免了大量候选集的产生，提高算法的运行效率。在UCI数据集上的实验结果表明：与传统的Apriori算法相比，利用蚁群算法可以在较短的时间里挖掘出绝大部分的频繁项集，能够有效地进行频繁项集的挖掘。　　 同时，本文还针对现有算法在最小支持度取值比较小时，算法挖掘的效率不高的缺陷分析了原因，主要是由于低支持度的频繁项集丢失，蚂蚁选择低支持度事务项的概率不高，而集中于高支持度事务项的挖掘，可能出现早熟收敛。为了提高现有算法的挖掘效率，本文在已有算法的基础上，提出了三项改进措施：将蚂蚁初始位置限定在低支持度的事务项内，寻找高频组合，局部减少信息素。通过采用这三项改进措施，减少了蚂蚁对低支持度的事务项选择的随机性，缩小了蚂蚁的挖掘范围，降低了高支持度事务项的影响，增大了蚂蚁对低支持度事务项的探索，从而减少低支持度频繁项集丢失。实验结果表明：与改进前的算法相比，改进后的算法在保持改进前的算法在时间上的优势的前提下，提高了频繁项集挖掘的百分比，提高了挖掘的效率。