随着知识型社会的到来，大量数据的产生和收集导致信息资源呈爆炸性增长的趋势。在高等院校发展方面，科研水平成为衡量其综合实力的重要指标，面对多年积累的海量、混乱的科研数据，传统分析方法已经无法满足管理者对数据处理的需求，如何有效的使用这些大量数据成为目前面临的问题，数据挖掘技术正是迎合这种需求而产生并迅速发展起来，为现代信息处理带来了一种新的方向和研究领域。关联规则是数据挖掘中应用最为广泛的技术之一，它主要用于从大量、复杂的数据中发现各个属性之间的内在联系，得到对决策有潜在价值的知识和规则，具有重要的应用价值。将关联规则运用到科研管理中，从多年积累的大量数据中获取有价值的信息来辅助管理决策，从而使高校稳步快速发展。　　本文对关联规则常用算法进行研究，重点分析了Apriori算法的特点及不足。针对Apriori算法的缺陷，提出了一种改进的多维Apriori算法，该算法首先初始化数据库存储形式并对项集有序化；采用一种新的线性表类的数据结构对项集及项集对应的事务标识符进行存储，改变了传统的项集支持度计数方式；在生成候选项集时引入地址索引机制，采用一种新的连接方式，减少了产生候选项集时的比较次数；同时对算法结束条件采用新的判断标准。通过实验对Apriori算法与改进的多维算法进行了比较，验证了改进算法执行效率的高效性。　　最后，以某市科研管理系统中高校立项数据为研究对象，分析科研数据的特点确定挖掘主题，结合关联挖掘的基本流程，对科研管理挖掘系统的总体框架和数据库进行了设计，运用改进的多维Apriori算法对科研系统中科研项目基本信息、教师基本信息、学科方向等进行挖掘，得到的规则通过交互界面展示给用户，并对挖掘结果进行解释分析，从中萃取数据中隐含的、有价值的信息，平衡教学与科研协调发展，为高校在教学人才引进、人才资源安排及科研工作给以建设性指导建议，辅助下一阶段的科研管理工作持续发展。