伴随着新一轮信息技术的浪潮,信息技术的方法思想越来越渗透到各行各业中,正在慢慢改变很多的行业。银行业作为一个传统的行业,随着信息技术的不断变革也在不断的发展。目前随着网上银行的不断普及,普通居民越来越体验到方便的金融服务。人们的生活和银行越来越密切,银行业为了更好的为客户服务,同时为了提高银行的风险管理能力,对建立适应新背景下的银行客户信用评估体系提出了更高的要求。传统的基于统计学和有关的规章制度应用的风险管理方法已经不足以应对大数据背景下的风险防控。文中描述了数据挖掘中的关联规则相关的技术,针对银行业等金融机构积累的大量的用户数据信息,运用数据挖掘中的关联规则技术对大量用户数据挖掘,为用户的信用评估提供参考。在关联规则挖掘技术中,在经典Apriori算法及其常见的改进方法的基础上,进行了优化改进。参考基于散列的技术会在散列过程中产生冲突,在散列到的k项集添加计数项,并且保证散列到每一个桶中的k项集是唯一的,从而直接确定频繁k项集,而不是由候选频繁k项集经过一次数据库扫描计数检验得到频繁k项集,减少了一次数据库的扫描。再者在第一次扫描数据库的时候,将数据库信息以数组的形式存放,以后就不再需要扫描数据库,直接通过数组就可以确定候选项集的支持度计数。数据库需进行扫描的次数得到了减少,同时候选项集的规模也得到缩减。最后本文将经典算法和改进算法分别使用在银行客户信用数据中,使得改进算法的正确性获得了验证,同时在执行效率方面进行了分析比较,得出改进优化的算法在执行效率方面有了改善。对挖掘出来的一些客户信用数据各指标之间的联系进行了有效的分析,得出了一些有用的客户信用数据指标联系的知识,便于银行业根据从大量数据中挖掘出来的知识来构建良好的客户信用评估。