数据挖掘就是从海量数据中提取知识,又被称为数据库中的知识发现。它是一个跨学科的新兴研究领域。关联规则分析是其中的一个重要分支,它基于数据项的同时出现特征从数据库中发现项或属性间事先未知且隐藏的有趣联系。从大型数据库中挖掘关联规则的问题已经成为近年来数据挖掘研究领域中的一个热点。本文首先介绍了数据挖掘的基本概念、存在问题及发展方向。其次介绍了关联规则分析的基本概念、分类及一些常见的算法思想,并着重讨论了一些经典的关联规则算法。为解决频繁模式挖掘问题,本文通过分析FP-growth算法中包含的冗余操作,引入数据结构FP参考树/表,改变FP-growth算法中条件模式基的存储和生成方式,提出了新的FPRSG算法,高效地解决了频繁模式挖掘问题。理论分析与实验结果表明,FPRSG算法优于经典的FP-growth算法。数据挖掘与科学研究的结合是近来新兴的研究课题,在很多方面都有值得研究的地方。大规模科学数据具有数据量大、特征复杂的特点,在对其进行处理时,往往使得理解、分析这些科学数据,并从中获取知识变得十分困难,由此科学数据挖掘势在必行。为了提高科学数据存储和传输的效率,本文提出一种基于遗传算法的科学数据压缩率预测方法。为检验本方法对给定的科学数据的效果,关联规则被用于科学数据压缩率预测的训练结果评估。评估结果对于领域研究人员也有一定的参考价值。在本文的最后对全文内容进行总结,并展望了数据挖掘进一步研究和应用的方向。