包含依赖挖掘（IND）是数据挖掘最重要的研究问题之一。包含依赖挖掘是指在一个关系型数据集中表示某一属性组合的所有值,都包含在另一属性组合的值中。它在外键检测、查询优化等领域都有重要应用。文中首先介绍了包含依赖的基本概念和现有算法及发展,然后重点从一元包含依赖挖掘的集中式和分布式两个角度进行算法原理的分析、设计、剪枝优化。集中式算法方面,本文充分利用日益增长的单节点多核计算能力和内存存储,使用多线程技术优化集中式挖掘算法,获得了显著的性能提升,又针对其数据结构提出了基于分布重复性的剪枝技术,大幅减少了需要进行验证的数据规模,该部分技术可以应用于大多数集中式包含依赖算法,使得集中式算法更容易胜任很多场景。分布式算法方面,本文针对现有的分布式算法原理,分析了SINDY算法并根据Spark大数据平台特性,对其做出改进,结合了集中式算法对于倒排索引表的剪枝,提出了在分区内基于内存的预聚合操作;分析了分布式环境下性能瓶颈所在,即导致出现节点间通信的数据分布和数据分区函数,并做出了不同尝试衡量算法稳定性。最终,本文不仅分析了分布式算法和多线程算法的异同之处,从原理和实验层面证实了分区内预聚合的优势,还证明了分布式算法的横向扩展能力,即对大数据量也能处理,以及不同分区策略下算法仍能稳定高效运行。