关联规则挖掘是数据挖掘领域一个重要的研究课题，传统的关联规则挖掘中只考虑项目在事务中出现与否。然而，在一条事务中，顾客可能购买同一种商品多个，而每件商品的利润也不尽相同。单纯基于支持度的数据挖掘可能会导致一些重要的项集因为支持度低而不被发现。为解决这个问题，学者们提出了基于价值的项集挖掘。　　 通过对已有的高价值项集挖掘算法研究，发现现有的算法都是基于候选项集生成一剪枝-检验方法，这些算法存在着与Apriori-like算法类似的不足之处：数据库扫描次数太多，特别是当挖掘长模式高价值项集时弊端更为明显；另外产生的候选集过大，测试候选集是否为可能高价值项集及计算项集的价值需要花费大量的时间。为此，本文提出了一种新的数据结构：PHUI-tree（Possible High Utility Item Tree，简称PHUI-tree）。利用模式增长方法，提出了一种基于PHUI-tree的高价值项集挖掘算法DHUI。在PHUI-tree中直接挖掘高价值项集，而不需要产生候选项集；计算项集的价值时不需要重复扫描数据库。实验表明，DHUI算法是一个高效的高价值项集挖掘算法。　　 最后，考虑到DHUI算法是基于内存的一种挖掘算法，特别是在信息高度膨胀的今天，许多企业的数据仓库已经达到千兆规模。很可能存在由于数据库过大而不能将数据完全放入内存的情况，为了解决这个问题，本文采用数据库分离思想，提出了一种基于DHUI算法的高价值挖掘分布式算法DHUI-DP。