近年来，数据挖掘受到人工智能与数据库界的广泛关注。关联规则挖掘是数据挖掘中重要的研究课题。关联规则的主要研究对象是交易数据库，其主要目标就是发现交易数据库中交易项目之间是否存在某些关联关系。 目前常用的关联规则的衡量标准是支持度(support)和置信度(confidence)。用现有的衡量标准生成关联规则可能会产生大量冗余的、虚假的关联规则。 当前对关联规则的形式化定义是采用X(?)Y的模式，其中X为前提，Y作为后继。而实际的商品交易中我们往往只知道商品是否被同时购买，而不知道究竟是X的购买导致了Y的购买还是Y的购买导致了X的购买。即X和Y之间不存在前提和后继的关系。因此X(?)Y的模式与商品交易的实际购买情况不符，可能会导致矛盾规则的产生。 本文首先对经典的算法如Apriori、FP_growth等算法进行介绍和深入细致的分析，对比其性能的优劣，给出了它们的一些改进形式。然后研究了关联规则衡量标准及现有的若干改进方法，针对现有关联规则衡量标准的不足，提出增加影响度或相对置信度作为改进的衡量标准。并根据它们的大小，将关联规则分为正关联规则、负关联规则和无效关联规则。之后分析关联规则的形式化描述X(?)Y所存在的问题，提出改进模型和新的衡量标准trust，对新的衡量标准进行分析，并进行改进，给出其挖掘算法。实验表明：本文提出的方法能明显减少无效的关联规则。