数据挖掘(Data Mining)是涉及人工智能和数据库等学科的一门新兴交叉性学科。在当今数字化时代，各种商业、政治、科学数据库和数据量的急剧增长，远远超过了人类目前已有的分析和理解能力。因此，从大量数据中智能地、自动地提取出有价值的信息，即对数据库进行知识的挖掘，具有十分重要的理论意义和现实意义。作为数据挖掘的一种重要模式，关联规则一直受到广泛的关注。发现频繁项集是关联规则挖掘的关键步骤。然而，大多数频繁项集求解算法因需要产生大量候选集而降低了效率。本文将具有完备特性的概念格模型引入到频繁项集挖掘的研究，主要研究内容如下：1．提出了基于概念格模型的项目集表示和求解方法。研究表明，每个项目集一定作为概念格中某个概念的内涵或内涵的子集出现，借助于概念之间的关系可从每个概念导出多个项目集，因此，概念格中概念的数量比事务数据库中项目集的实际数量有显著的减少。2．提出了基于剪枝概念格(Pruned Concept Lattice，PCL)模型的频繁项集表示和求解方法。利用概念间的关系性质，在不丢失信息的同时能有效压缩频繁项集的规模。在此基础上提出基于PCL模型的频繁项集求解算法，该算法基于Apriori性质，在构造过程中及时、动态地剪枝，删除与频繁项集求解无关的概念，从而有效地改善了频集挖掘算法的时空性能。实验证实了算法良好的性能。