数据挖掘技术是数据库和人工智能领域研究的热点课题,被用来发现大量数据中隐含的有用的知识;而用于描述多个数据项之间的相关性的关联规则挖掘则是数据挖掘应用中的一个重要组成部分,关联规则揭示的信息广泛应用在市场分析和商业决策之中。与使用频繁模式相比较,使用频繁闭模式来产生关联规则具有很大的优势,目前已经出现了很多挖掘闭模式的算法,然而这些算法仍然存在着一些问题:产生的关联规则数量较多,不方便用户理解和使用;挖掘过程中需要保存数据副本或中间结果,内存开销较大;算法中存在着大量冗余的、无效的操作,执行效率较低等。本文针对上述问题,对基于频繁闭模式的关联规则挖掘算法进行了深入的研究。首先简要说明关联规则挖掘的相关概念和分类;其次介绍FCA(FormalConcept Analysis)在关联规则挖掘中的应用,分析了使用Iceberg概念格从频繁闭模式产生有限关联规则的方法,利用此类方法得到的这些有限关联规则可以准确地描述出项目集之间的关联关系,并且数量很少;然后在CLOSET算法的基础上,提出了一种新的高效挖掘频繁闭模式的算法FCIM。该算法使用频繁模式树来保存需要挖掘的数据集,采用“分而治之”的策略、按照深度优先的顺序进行挖掘,在挖掘过程中使用相等子节点保存已挖掘到的频繁闭模式的信息,保证抽取到的每一个局部频繁闭模式一定都是全局闭合的,可以直接输出到外部文件,减少了大量的冗余操作和内存空间占用,使算法获得较好的可伸缩性;同时提出了二种优化操作,利用当前获取的信息进行分析预测,尽可能早地抽取出频繁闭模式,从而使FCIM算法获得很高的运行效率;最后给出算法的伪代码描述和运行示例。试验结果表明,FCIM算法能够得到正确的结果;并且与CLOSET+算法相比,FCIM算法具有更高的挖掘效率和良好的可伸缩性,证明该算法是切实有效的。