随着网络资源的不断增加和视频网站的快速发展，传统的信息检索的服务方式已经很难满足用户的需求。所以，个性化推荐服务受到了广泛的关注，它可以挖掘用户信息、电影项目信息、用户的操作日志以及数据间隐藏的关联性，将获得的用户可能感兴趣的影视片推荐给用户。本文对数据挖掘技术和经典的关联规则挖掘算法（Apriori算法、FP—Growth算法），进行了一定的研究和分析，针对Apriori算法在挖掘过程中存在的问题,如生成频繁项目集时需要多次扫描数据库，中间会产生大量的候选集，影响了算法的运行效率等，进行了相应的改进—文中称之为fpmdf算法。Fpmdf算法的基本思想是利用动态函数进行频繁模式挖掘，它是根据事务数据库的事务ID进行配对从而产生候选集，每一次迭代都是在上一次迭代产生的候选集基础上进行，因而无需重复扫描事务数据库，减少了算法的运行时间，并通过实验验证了算法在时间上和空间上的优势。此外，通过比较Apriori、FP-Growth和Apriori改进算法的运行效率，利用己有的实验数据集进行实验分析,验证了算法的可行性。本文最后利用该关联规则挖掘改进算法，设计并实现一个“个性化电影推荐系统”。个性化的电影推荐系统一般包括热门影片的推荐，新片推荐，相关影片推荐等。本文重点讨论如何从大量的历史观看数据中进行数据挖掘，找出不同用户与电影之间的关联以及电影-电影之间的关联，提炼出规则并作为电影推荐系统提供主动推荐服务的参考，从而为用户进行相关电影的个性化推荐，并且对推荐系统进行了满意度测试实验。