随着互联网及信息技术的快速发展，现代社会所面临的问题已由如何获得信息转变为了如何在迅猛增长的海量数据中找到有价值的信息。气象资料类型复杂，数据量庞大，其中蕴藏着大量的气象规律。关联规则数据挖掘在寻找气象规律中显示出了强大的生命力，它能够找出数据之间的潜在联系及规律，通过这些规律可以有效地进行气象预测，对灾害性气候及时采取防范措施。但是气象数据的数据量十分庞大，传统的关联规则数据挖掘算法已经很难满足需求，解决关联规则算法在效率、适应性和可用性等方面的瓶颈问题变得日益重要。资源的动态分配、按需服务，以低成本处理海量信息，这是云计算的设计理念。通过云计算技术，可以在短时间内实现处理数以千万计甚至亿计的信息，具有和“超级计算机”同样强大的超级计算能力和存储能力。因为云计算这种强大的数据存储及处理能力，所以将数据挖掘算法移植到云计算平台上，会明显的提高计算效率。本文针对传统关联规则算法FP-Tree算法存在的一些局限性和Hadoop开源平台在大数据集处理中表现出的优势，设计了基于MapReduce的FP-Tree算法。算法被分为两部分进行MapReduce化操作，最后将结果进行合并，产生最后的频繁模式。为评估算法性能，设计了系列实验。通过改变数据集大小、支持度及Map任务数从多角度测试算法性能并针对真实气象数据进行了预测实验。从实验结果不难看出，MapReduce化后的FP-Tree算法在处理海量数据时其计算效率及算法运行的完整性要优于传统算法，而支持度及Map任务数的改变也会对算法效率产生影响。