数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中,提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。它是一类深层次的数据分析方法,被认为是解决“数据爆炸知识贫乏”的有效方法之一。关联规则挖掘是数据挖掘的重要模式之一,由于它能够较好的捕捉数据间的重要关系,并且发现的规则形式简洁易于理解,近年来,已经成为数据挖掘领域的一个热点。本文对关联规则挖掘进行深入研究并提出新的规则挖掘方式,主要包括以下内容。首先,对Apriori算法及其改进算法进行了深入研究,并针对算法的缺陷提出一种新的改进算法-SHAI-FP-growth算法。SHAI-FP-growth算法是在FP-growth算法的基础上针对FP-growth算法的伸缩性和实用性差的缺点,加入了划分思想和筛选理论改进而成的算法。试验证明该改进算法能有效减少产生候选集的数目,并能有效减少扫描数据库的次数。从而在时间复杂度和空间复杂度上都得到大的改进。其次,对现有的各种关联规则兴趣度进行深入研究,并结合客观兴趣度和主观兴趣度的优点,提出了一种新的综合考虑主客观因素的PSA(Piantesky-Shapiro- Accuracy)兴趣度。通过试验证明基于新兴趣度得出的规则实用性强,且效率高。最后,在新兴趣度(PSA)和改进挖掘算法的基础上,提出基于PSA兴趣度的关联规则挖掘的方法,最后通过试验进行分析。